主题:
条件平均处理效应中的最优模型平均Optimal Model Averaging for Conditional Average Treatment Effects
主讲人:
郑立 暨南大学助理教授
主持人:
赵乃宝 hy5902海洋之神副教授
时间:
2024年5月21日10:00-11:30
地点:
西南财经大学柳林校区格致楼1211
主办单位:
经济与管理研究院
主讲人简介:
![图片](/__local/D/D4/8A/6829533C624F611596CD9374C3C_63117BFC_B7B8.jpg?e=.jpeg)
郑立,暨南大学经济与社会研究院(IESR)助理教授。美国Texas A&M University经济学博士, UT Austin 经济学硕士,中山大学数学学士。主要研究领域为计量经济学,研究兴趣是模型平均,因果推断,半参数和非参数估计,以及机器学习与计量经济学的结合。研究成果发表于Journal of Business & Economic Statistics (JBES) 等计量经济学国际权威期刊,并主持国家自然科学基金青年项目。
内容提要:
在经济学和社会科学领域,对条件平均处理效应的估计受到了广泛的实证关注。近年来,尤其是借助现代机器学习算法,已经有许多重要的贡献。尽管有多种估计方法可供选择,但对条件平均处理效应感兴趣的实践者可能难以确定使用哪种方法,因为这通常依赖于未知的数据生成过程。在这种模型不确定性下,模型平均是提高估计性能的有效方法。在本文中,我们提出了三种模型平均方案,以组合一类给定的候选模型,用于估计条件平均处理效应。第一和第二方案分别基于双重稳健学习和R-learning,两者都具有Neyman正交性,并享有双重机器学习的优势(Chernozhukov等人,2018)。第三方案基于潜在结果的插补,以找到间接推断精神中的最佳权重(Gourieroux等人,1993)。我们为估计的权重以及所有三种模型平均方案下估计的条件平均处理效应建立了一致性和渐进正态性。我们进行了广泛的蒙特卡洛实验,以证明我们提出的方法的有效性,并通过实证应用展示其实际用途。