.png){kind=icon}
返回
Continuous difference-in-differences with double/debiased machine learning
.png){kind=icon}
PRE
AI
DOI：10.1093/ectj/utaf024.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文将双重差分（DiD）方法扩展到连续处理的场景中。具体而言，在满足条件平行趋势假定的前提下，可识别任意处理强度水平下的处理组平均处理效应（ATT）。在该框架下估计ATT需要首先估计无限维的 nuisance 参数，特别是连续处理的条件密度，这可能会引入显著的偏差。为应对这一挑战，我们提出了在双重/去偏机器学习框架下的因果参数估计量，并证明了其渐近正态性。此外，我们还提供了一致的方差估计量，并基于乘数自助法构建了统一置信带。为展示我们方法的有效性，我们重新审视了一项关于1983年医疗保险前瞻性支付系统改革的研究，将其重新构建为带有连续处理的DiD模型，并对其效应进行了非参数估计。
Keyword:
Difference-in-differences
causal inference
continuous treatment
double machine learning
期刊
IF:
7
论文数:
567
被引数:
2.3K
机构
引用论文
Double Debiased Machine Learning Nonparametric Inference with Continuous Treatments双重去偏机器学习非参数推断：连续处理
OAAI
OAAI分享收藏Uniformly Semiparametric Efficient Estimation of Treatment Effects With a Continuous Treatment连续治疗的治疗效果的一致半参数有效估计
PREAI
分享收藏Internet Governance Through Site Shutdowns: The Impact of Shutting Down Two Major Commercial Sex Advertising Sites通过网站关闭进行互联网治理：关闭两大主要商业性服务广告网站的影响
PREAI
分享收藏Estimation of conditional densities and sensitivity measures in nonlinear dynamical systems.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏
查看更多内容