Distributionally Robust Instrumental Variables Estimation
本文提出DRIVE,一种基于Wasserstein距离的分布鲁棒工具变量估计方法,通过最小化岭正则化TSLS目标的平方根变体,在不要求正则化参数消失的情况下实现一致性,对模型假设和分布偏移具有鲁棒性。
2024-12-22 econ.EM math.OC math.ST
Optimal Uniform Convergence Rates for Sieve Nonparametric Instrumental Variables Regression
研究了回归变量为内生变量时的非参数回归问题,这是计量经济学中一种重要的非参数工具变量(NPIV)回归,也是统计学中一个困难的含未知算子的不适定反问题。首先,我们建立了一个普遍的上界上的超范数(一致)收敛速度的筛选估计,允许内生回归和弱相关的数据。在弱相依数据和重尾误差项下,这一结果给出了样条和小波最小二乘回归估计的最优超范数收敛速度。这个上界也产生了在独立同分布下筛选NPIV估计的超范数收敛速度。数据类型:对于严重不适定问题,该速率与已知的最优$L^2$ -范数速率一致,并且对于轻度不适定问题,该速率是比最优$L^2$ -范数速率慢的$\log(n)$的幂。然后,我们建立了极大极小风险的下界在超范数损失,这与我们的上界的超范数率的样条和小波筛NPIV估计。这种超范数速率最优性为筛分NPIV估计的广泛应用提供了另一个理由。对弱相依随机矩阵也提供了有用的结果。
2013-11-02 econ.EM math.ST stat.ME
The Econometrics of Randomized Experiments
在这篇综述中,我们提出了分析随机实验的计量经济学和统计方法。对于基本实验,我们强调基于随机化的推理,而不是基于采样的推理。在基于随机化的推断中,估计值的不确定性自然来自于治疗的随机分配,而不是来自于从大群体中假设的抽样。我们展示了这种观点如何与随机实验的回归分析相关。我们讨论了分层,配对和集群随机实验的分析,我们强调分层的一般效率收益。我们还讨论了随机实验中的并发症,如不遵守。在存在不依从性的情况下,我们将意向治疗分析与考虑一般处理效应异质性的工具变量分析进行对比。我们详细考虑了在有(可能有许多)协变量的情况下异质处理效应的估计和推断。这些方法允许研究人员通过识别具有不同处理效应的亚群来探索异质性,同时保持构建有效置信区间的能力。我们还讨论了最佳分配的基础上,在这样的设置协变量的治疗。最后,我们讨论的估计和推断,在实验中的设置与单位之间的相互作用,无论是在一般的网络设置和设置中的人口被划分成组,所有的相互作用包含在这些组。
2016-07-03 econ.EM stat.ME
Quantile Models with Endogeneity
在这篇文章中,我们回顾分位数模型与endoquantity。我们专注于通过使用工具变量实现识别的模型,并讨论了部分和点识别获得的条件。我们详细讨论了其中的关键条件,包括单调性和满秩型条件。在提供这篇评论时,我们更新了Rishzhukov和Hansen(2005,Econometrica)的识别结果。我们通过经济动机的例子来说明建模假设。我们还简要回顾了估计和推理的文献。关键词:识别、处理效应、结构模型、工具变量
2013-03-28 econ.EM stat.AP
Testing the Exogeneity of Instrumental Variables and Regressors in Linear Regression Models Using Copulas
本文提出基于 Copula 的线性回归工具变量外生性 Wald 检验,并通过模拟验证其在内生情形下具有较高检验力、在外生情形下误拒率随样本量下降。
2024-01-27 econ.EM stat.ME
Causal Graphs: Addressing the Confounding Problem Without Instruments or Ignorability
关于“工具变量:计量经济学家的观点”的讨论。因本斯[arXiv:1410.0163]。
2014-10-02 stat.ME
ACE Bounds; SEMs with Equilibrium Conditions
关于“工具变量:计量经济学家的观点”的讨论。因本斯[arXiv:1410.0163]。
2014-10-02 stat.ME
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件,提出了对应边际和条件因果对比泛函的非参数有效估计量,并通过观察性研究和随机试验验证了方法。
2024-02-14 stat.ME
Improved Methods for Moment Restriction Models with Marginally Incompatible Data Combination and an Application to Two-sample Instrumental Variable Estimation
在生物医学和经济学研究中,经常需要将来自多个样本的信息结合起来,但在分析结合数据时必须适当考虑这些样本之间的差异。研究了两个样本数据组合的矩约束模型的参数估计问题,其中假设两个样本的公共变量的边缘分布不同,且两个样本的数据组合是可分型的.假设指定了结果回归模型和倾向得分模型。利用半参数有效性理论,我们得到了一个增广逆概率加权(AIPW)估计,是局部有效的和双稳健的结果回归和倾向得分模型。此外,我们开发校准的回归和似然估计,不仅是本地有效的和双重强大的,但也本质上是有效的,在实现更小的方差比AIPW估计时,正确指定的倾向得分模型,但结果回归模型可能被误指定。作为一个重要的应用,我们研究了两个样本的工具变量问题,并得到相应的估计,同时允许两个样本之间的共同变量的不相容分布。最后,我们提供了一个模拟研究和计量经济学应用公共住房项目,以证明我们的改进估计的优越性能。
2018-08-11 stat.ME
Orthogonality conditions for convex regression
针对凸回归中识别正交性条件未知的问题,基于拉格朗日对偶理论建立样本正交性条件,并提出混合工具变量条件函数方法以减轻内生性影响。
2025-06-26 econ.EM stat.ME
Orthogonal Polynomials for Seminonparametric Instrumental Variables Model
Oregon State University(俄勒冈州立大学);University of Rochester(罗切斯特大学)
本文提出解决半非参数工具变量模型中多项式基问题的方法,通过构造正交多项式基来估计结构函数,适用于连续和离散内生协变量的模型。
2014-09-04 econ.GN math.ST q-fin.EC
Policy Learning with Observational Data
在许多领域,从业者寻求使用观察数据来学习满足应用特定约束的治疗分配策略,例如预算,公平性,简单性或其他功能形式约束。例如,策略可以被限制为基于有限的一组容易观察到的个体特征而采取决策树的形式。我们提出了一种新的方法来解决这个问题的动机半参数有效估计理论。我们的方法可用于优化二进制处理或无穷小的轻推连续治疗,并可以利用观察数据,其中因果关系的影响,确定使用各种策略,包括选择可观察变量和工具变量。鉴于分配给每个人的治疗的因果效应的双重鲁棒估计,我们开发了一个算法来选择谁来治疗,并建立强有力的保证所产生的政策的渐进功利遗憾。
2020-09-04 cs.LG econ.EM math.ST
On Heckits, LATE, and Numerical Equivalence
结构计量经济学方法经常被批评为对函数形式假设敏感。我们研究了局部平均处理效应(LATE)的参数估计,这些估计来自一类广泛使用的潜在阈值交叉模型,并表明它们产生的LATE估计代数等价于工具变量(IV)估计。我们的主要例子是Heckman(1979)的两步(“Heckit”)控制函数估计器,它具有双侧不服从性,可用于计算各种因果参数的估计。与IV的等价性建立了一个半参数族的控制函数估计,并保持在一类极大似然估计的内部解决方案。我们的研究结果表明,结构和IV估计之间的差异往往源于对目标参数的分歧,而不是从功能形式的假设本身。在等效失败的情况下,报告LATE的结构估计值以及IV提供了一种评估结构外推操作可信度的简单方法。
2018-10-24 econ.EM stat.ME
Robust Generalized Method of Moments: A Finite Sample Viewpoint
MIT(麻省理工学院);Microsoft Research, New England(微软研究院新英格兰分部)
在统计学和计量经济学中的许多推断问题中,未知参数是通过一组矩条件来确定的。求解矩条件的一般方法是广义矩量法(GMM)。然而,经典的GMM估计可能对离群值非常敏感。鲁棒GMM估计已经在过去开发,但遭受几个缺点:计算棘手,不良的维度依赖性,并没有定量的恢复保证在一个常数分数的离群值的存在。在这项工作中,我们开发了第一个计算效率高的GMM估计(在直观的假设下),可以容忍一个恒定的$ε$部分的adversarially损坏的样本,并有一个$\ell_2$恢复保证$O(\sqrtε)$。为了实现这一目标,我们借鉴并扩展了最近关于算法稳健统计的工作,以解决相关但更简单的问题,例如均值估计、线性回归和随机最优化。作为我们的算法的一般性的两个例子,我们展示了我们的估计算法和假设如何适用于工具变量线性和逻辑斯谛回归。此外,我们通过实验验证了我们的估计优于经典的IV回归和两阶段Huber回归的合成和半合成数据集腐败。
2021-10-13 cs.DS cs.LG econ.EM
Bidirectional causal inference for binary outcomes in the presence of unmeasured confounding
School of Mathematics and Statistics, Beijing Technology and Business University(北京工商大学数学与统计学院);The Dartmouth Institute for Health Policy and Clinical Practice, Geisel School of Medicine at Dartmouth(达特茅斯学院盖泽尔医学院达特茅斯健康政策与临床实践研究所)
本文提出了一种结构方程建模方法,用于在存在未测量混杂因素的情况下推断二元结果的双向因果效应,并通过实际案例验证了其在生物医学研究中的应用价值。
2026-09-15 stat.ME
High-Dimensional Econometrics and Regularized GMM
本章介绍了用于分析高维模型中的估计和推断的关键概念和理论结果。高维模型的特征在于具有许多相对于样本量而言并不小到消失的未知参数。我们首先提出的结果在一个框架中,估计参数的兴趣可以直接表示为近似的手段。在此背景下,我们审查的基本成果,包括高维中心极限定理,自助逼近的高维极限分布,和适度偏差理论。我们还审查了关键概念的推理时,许多参数的利益,如多个测试与家庭明智的差错率或错误发现率控制。然后,我们转向一个一般的高维最小距离框架,特别关注广义矩量法问题,我们提出的结果估计和推断模型参数。所提出的结果涵盖了广泛的计量经济学应用,我们讨论了几个领先的特殊情况下,包括高维线性回归和线性工具变量模型来说明一般的结果。
2018-06-10 econ.EM math.ST stat.TH
$L_2$Boosting for Economic Applications
近年来,越来越多的高维数据集,其中参数$p$的数量与观测值$n$的数量相比很高,甚至更大,可用于应用研究人员。Boosting算法代表了近年来机器学习和统计学的主要进展之一,并且适合于分析这样的数据集。虽然Lasso已经非常成功地应用于经济学中的高维数据集,但Boosting在这一领域的应用还不够充分,尽管它在生物统计学和模式识别等领域已经被证明非常强大。我们将此归因于缺少增强的理论结果。本文的目标是填补这一空白,并表明,助推是一个有竞争力的方法推断的处理效应或工具变量(IV)估计在高维设置。首先,我们提出了$L_2$ Boosting与分量最小二乘算法和变量,这是为大多数计量经济问题的主力回归问题量身定制的。然后,我们展示了如何使用$L_2$ Boosting估计处理效应和IV估计。我们强调的方法,并说明它们与模拟和实证的例子。有关进一步的结果和技术细节,请参阅Luo和Spindler(2016,2017)以及该论文的在线补充。
2017-02-10 econ.EM stat.ME stat.ML
Debiased/Double Machine Learning for Instrumental Variable Quantile Regressions
在本研究中,我们探讨了在工具变量分位数回归中,在高维控制下对低维因果参数的估计和推断。我们提出的计量经济学方法建立在先前研究的Neyman型正交矩条件基础上,Zhazhukov,Hansen和Wuthrich(2018),因此对干扰参数的估计相对不敏感。蒙特卡罗实验表明,该估计器能很好地处理高维控制。我们还应用该程序,以经验重新调查的分位数处理效应的401(k)参与积累的财富。
2021-02-21 econ.EM
Boosted Control Functions: Distribution generalization and invariance in confounded models
University of Copenhagen(哥本哈根大学);Imperial College London(伦敦帝国学院);ETH Zürich(苏黎世联邦理工学院);University of Geneva(日内瓦大学)
本文提出增强控制函数(BCF)以实现分布变化下的预测鲁棒性,通过强不变性概念和ControlTwicing算法提升模型泛化能力。
2025-12-23 cs.LG stat.ML
Specification Testing in Nonparametric Instrumental Quantile Regression
在计量经济学中,有许多环境需要对结构性扰动进行不可分离的建模。在具有内生回归变量的不可分离模型中,关键条件是工具变量的有效性和模型在标量不可观测变量中的单调性。在这些条件下,不可分模型等价于工具分位数回归模型。然而,关键条件的失败使得工具分位数回归可能不一致。本文提出了一种检验工具分位数回归模型是否正确的方法。我们的检验统计量在正确的规范下是渐近正态分布的,并且对任何替代模型都是一致的。此外,检验统计量,以证明模型简化。有限样本性质的研究在蒙特卡罗研究和经验说明。
2019-09-23 econ.EM
Improving Inference from Simple Instruments through Compliance Estimation
工具变量(IV)回归被广泛用于估计因果处理效应的设置,其中接受的治疗是不完全随机的,但存在一个工具,产生外源性变化的治疗暴露。虽然IV可以恢复一致的处理效应估计,但它们通常是噪声的。基于生物统计学的早期工作(Joffe和Brensinger,2003年),并与计量经济学中不断发展的文献(包括Abadie等人,2019年; Huntington-Klein,2020; Borusyak和Hull,2020),我们研究了如何通过利用仪器强度的可预测变化来提高IV估计的效率。在治疗和仪器都是二进制的情况下,仪器独立于基线协变量,我们研究根据其估计的依从性(即,其受仪器影响的条件概率)对每个观察值进行加权,我们从隐含于IV的第一阶段预测问题的(约束)解决方案中激励。由此产生的估计器可以利用机器学习来估计作为基线协变量的函数的依从性。我们推导出一个加权IV估计在潜在结果和局部平均处理效应(LATE)框架的具体实现的大样本属性,并提供工具,即使在非参数估计的权重仍然有效的推理。与理论结果和模拟研究,我们表明,合规加权有意义地降低了第一阶段的异质性时,IV估计的方差,这种改善往往超过任何合规加权和未加权IV被估量之间的差异。这些结果表明,在各种应用环境中,IV估计的精度可以大大提高,纳入合规性估计。
2021-08-08 econ.EM stat.ME stat.ML
fixest: A fast and feature-rich framework for econometric estimations in R
BxSE – UMR CNRS 6060;University of Bordeaux(波尔多大学);University of Arkansas(阿肯色大学);University of Oregon(俄勒冈大学)
fixest提供了统一的实证研究框架,支持多种模型,尤其在固定效应估计中表现突出,通过C++实现的新型固定点加速算法提升了收敛速度和效率,同时支持多种稳健标准误差和出版级回归表格生成。
2026-04-03 econ.EM
Inference for High-Dimensional Sparse Econometric Models
本文主要研究计量经济学中高维稀疏回归模型的估计和推断方法。高维稀疏模型出现的情况下,许多回归(或系列项)是可用的,回归函数是很好的近似由一个简约的,但未知的回归集。后一个条件使得有可能通过搜索近似正确的回归量集合来有效地估计整个回归函数。我们讨论的方法来确定这一组回归和估计其系数的基础上$\ell_1$ -惩罚和描述的关键理论结果。为了捕捉现实的实际情况下,我们明确允许不完美的回归选择,并研究这种不完美的选择对估计和推断结果的影响。文章的主体部分主要介绍了HDS模型和方法在工具变量模型和部分线性模型中的应用。我们提出了一组新的推理结果,这些模型,并说明其使用的应用程序返回到学校教育和增长回归。
2011-12-31 econ.EM stat.AP stat.ME
Causal Bounds and Instruments
工具变量已被证明是有用的,特别是在社会科学和经济学中,用于在存在未观察到的混杂因素的情况下推断随机变量B对另一随机变量C的因果效应。在关系是线性的情况下,可以通过研究C对A的回归和B对A的回归来准确地识别因果效应,其中A是工具。在更一般的情况下,在文献中已经给出了B对C的因果效应的界限,给出了关于C、B和A的联合分布的观测数据。使用凸多面体的分析的基础上的方法,我们开发的界限相同的因果关系时,给定的数据(C,A)和(B,A)。因此,开发的界限直接类似于计量经济学中工具的标准使用,但我们没有假设线性。使用的界限示出了部分遵守的实验。例如,这些界限与遗传流行病学有关,其中“孟德尔工具”S代表基因型,并且其中关于所有C、B和A的联合数据可能很少可用,但涉及这些对的研究可能是丰富的。边界因果效应的其他例子被认为是表明,该方法适用于一般的DAG,在某些条件下。
2012-06-20 stat.ME
Achieving Reliable Causal Inference with Data-Mined Variables: A Random Forest Approach to the Measurement Error Problem
University of Minnesota, Carlson School of Management(明尼苏达大学卡尔森管理学院)
将机器学习与计量经济学分析相结合在研究和实践中变得越来越普遍。一个常见的实证策略涉及应用预测建模技术从现有数据中“挖掘”感兴趣的变量,然后将这些变量纳入计量经济学框架,目的是估计因果效应。最近的工作强调,由于机器学习模型的预测不可避免地是不完美的,基于预测变量的计量经济学分析可能会因测量误差而产生偏差。我们提出了一种新的方法来减轻这些偏见,利用集成学习技术称为随机森林。我们建议采用随机森林不仅用于预测,而且用于生成工具变量,以解决嵌入在预测中的测量误差。随机森林算法在由一组树组成时表现最好,这些树在其预测中各自准确,但也会犯“不同”的错误,即,具有弱相关的预测误差。一个关键的观察是,这些属性是密切相关的有效工具变量的相关性和排除要求。我们设计了一个数据驱动的程序来从随机森林中选择个体树的元组,其中一棵树作为内生协变量,其他树作为其工具。仿真实验表明,所提出的方法在减轻估计偏差和其优越的性能比三种替代方法的偏差校正的有效性。
2020-12-19 cs.CY cs.LG econ.EM
Double Machine Learning for Conditional Moment Restrictions: IV Regression, Proximal Causal Learning and Beyond
University of Oxford(牛津大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出DML-CMR,一种两阶段CMR估计量,通过双重/去偏机器学习框架减少偏差,在IV回归和近端因果学习等问题上实现O(N^{-1/2})的极小极大最优收敛速率,优于现有方法。
2025-06-23 cs.LG stat.ME stat.ML
Convex Combination of Ordinary Least Squares and Two-stage Least Squares Estimators
在混杂因素的存在下,普通最小二乘(OLS)估计量是有偏的。这个问题可以通过使用两阶段最小二乘(TSLS)估计,有效的工具变量(IV)的可用性的基础上得到补救。然而,这种偏差的减少被方差的增加所抵消。在标准假设下,OLS估计量确实比TSLS估计量有更大的偏差;而且,可以证明OLS估计量的样本方差不大于TSLS估计量的样本方差。因此,很自然地会问,是否可以结合OLS和TSLS估计的理想属性。这种权衡可以通过这两个估计的凸组合来实现,从而产生我们提出的凸最小二乘(CLS)估计。这里选择OLS和TSLS估计量的相对贡献,以最小化它们的凸组合的均方误差(MSE)的样本估计。证明了当OLS和TSLS的MSE不同时,该比例参数是唯一的。值得注意的是,我们表明,这个比例参数可以从数据中估计,并且由此产生的CLS估计是一致的。我们还展示了CLS框架如何将其他渐近无偏估计量,如刀切IV估计(JIVE)。CLS估计的有限样本性质进行了研究,使用蒙特卡罗模拟,在其中,我们独立地改变混杂量和强度的工具。总体而言,CLS估计被发现优于TSLS估计的MSE。该方法也适用于一个经典的数据集,从计量经济学,模型的金融回报教育。
2015-04-13 math.ST stat.AP stat.ME
The ET Interview: Professor Joel L. Horowitz
本访谈介绍了Joel L. Horowitz教授的学术生涯,他从物理学转向计量经济学,在自助法、半参数估计等多领域有深远贡献,合作广泛,曾任顶级期刊编辑,是多学会会士。
2024-10-31 econ.EM
On the falsification of instrumental variable models for heterogeneous treatment effects
Duke University(杜克大学)
本文提出了一种用于检验异质处理效应工具变量模型的可检验推论,区分排除限制和单调性假设的违反,并扩展到多个工具变量的情况。
2026-01-20 econ.EM
Structural Break Detection in Quantile Predictive Regression Models with Persistent Covariates
我们提出了一个计量经济环境的非平稳分位数预测回归的结构突变检测。我们基于Phillips和Magdalinos提出的普通最小二乘法估计量和内生工具回归估计量(2009 a,Econometric Inference in the Vicinity of Unity.工作文件,新加坡管理大学)。虽然这些检验统计量的渐近分布似乎取决于所选择的估计量,IVX为基础的测试被证明是渐近干扰参数免费的持久性和一致性的程度下,当地的替代品。通过仿真实验,这两种测试的有限样本性能进行了评估。通过对房价指数收益率的实证分析,验证了本文提出的非平稳时间序列回归分位数突变检验方法的实用性。
2023-02-10 econ.EM
Revisiting the empirical fundamental relationship of traffic flow for highways using a causal econometric approach
交通流量的基本关系是通过将回归曲线拟合到交通变量的观测值云来经验地估计的。然而,由于忽略了驾驶行为和天气等变量,这种估计可能会受到混杂/内隐偏差的影响。为此,本文采用了因果关系的方法来获得一个无偏估计的基本流量密度关系,使用交通检测器数据。特别是,我们应用贝叶斯非参数样条回归方法与工具变量,以调整上述混杂偏倚。所提出的方法是基准对标准曲线拟合方法估计流量密度关系在美国的三个高速公路瓶颈。我们的实证研究结果表明,饱和(或超拥挤)政权的估计流量密度关系,使用相关曲线拟合方法可能会严重偏差,这反过来又导致有偏见的重要交通控制输入,如容量和容量下降的估计。我们强调,我们的因果关系的方法是基于交通流中的车辆运动的物理规律,而不是在经济学文献中采用的需求-供应框架。通过这样做,我们也旨在调和工程和经济学的方法来解决这个经验问题。因此,我们的研究结果具有重要意义的交通工程师和运输经济学家。
2021-04-06 econ.EM
Philip G. Wright, directed acyclic graphs, and instrumental variables
本文以现代框架介绍Philip G. Wright 1928年关于因果推断的开创性工作,包括结构方程、工具变量和反事实分析,并强调其超前性及教学价值。
2025-03-27 econ.EM
Estimation Strategies for Causal Decomposition Analysis with Allowability Specifications
本文探讨了因果分解分析在可允许性规范下的估计策略,提出新的估计方法以解决密度建模挑战,并通过模拟研究和实际数据验证其有效性。
2026-04-25 stat.ME
Causal Inference for Qualitative Outcomes
本文指出了传统因果推断方法应用于定性结果时的挑战,提出专注于定义明确且可解释估计目标的替代框架,证明传统假设足以识别新目标,并提供开源 R 包 causalQual。
2025-06-26 econ.EM
Moran's I 2-Stage Lasso: for Models with Spatial Correlation and Endogenous Variables
本文提出 Moran's I 两阶段 Lasso(Mi-2SL)方法,利用特征向量空间滤波和标准化 Moran's I 设定调优参数,在无需显式建模空间相关过程的情况下估计含内生变量模型,并通过模拟和实证验证其有效性。
2024-04-03 econ.EM