Journal Impact Factor and Federal Reserve Monetary Policy: An Econometric Analysis Based on 1975-2026
Nanjing Agricultural University(南京农业大学)
本文通过计量分析发现,美联储货币政策通过影响科研资金和期刊定价权,间接影响期刊影响因子,揭示了货币政策对学术出版系统的复杂作用。
2026-01-14 econ.EM
Conformalized Lee Inference: Distribution-Free Prediction Sets for Individual Treatment Effect under Monotone Sample Selection
Graduate School of Economics, University of Tokyo(东京大学大学院经济学研究科)
研究单侧选择随机研究中的预测问题,提出共形化李程序,利用处理后的选定观测值训练和检验预测规则,通过观测到的处理-对照选择差距调整临界值,提供可靠覆盖率。
2026-09-17 econ.EM
Regression-Adjusted Estimation of Quantile Treatment Effects under Covariate-Adaptive Randomizations
协变量自适应随机化(CAR)田间试验的数据集通常包含额外的协变量,除了层指标。我们建议通过辅助回归将这些额外的协变量纳入CAR下无条件分位数处理效应(QTE)的估计和推断中。我们建立了回归调整QTE估计的相合性和极限分布,并证明了在CAR下使用乘子自助推断是非保守的。当数据是高维的时,辅助回归可以参数化地、非参数化地或通过正则化来估计。即使在辅助回归被错误指定的情况下,所提出的自举推理过程仍然在零值下的极限内达到名义拒绝概率。当正确指定辅助回归时,回归调整估计量达到最小渐近方差。我们还讨论了形式的调整,可以提高效率的QTE估计。有限样本的新的估计和推理方法的性能进行了研究,在模拟和经验应用到一个著名的数据集有关扩大获得基本的银行账户储蓄报告。
2022-09-05 econ.EM stat.ME
On regression-adjusted imputation estimators of the average treatment effect
使用估计的回归函数插补缺失的潜在结果是估计因果效应的自然想法。在文献中,估计相结合的插补和回归调整被认为是可比的增广逆概率加权。因此,人们长期以来一直认为,这种估计方法在避免直接构建权重的同时,也具有双重鲁棒性(Imbens,2004; Stuart,2010)。推广作者的早期结果(Lin等人,2021),本文形式化了这一猜想,表明一大类回归调整插补方法确实是双重稳健的估计平均治疗效果。此外,只要密度和回归模型都被正确指定,它们就可以证明是半参数有效的。我们的理论所涵盖的填补方法的显着例子包括核匹配,(加权)最近邻匹配,局部线性匹配和(诚实)随机森林。
2023-01-19 econ.EM math.ST stat.TH
Automatic Debiased Machine Learning for Dynamic Treatment Effects and General Nested Functionals
MIT Economics(麻省理工学院经济系);Harvard Economics(哈佛大学经济系);Stanford MS&E(斯坦福大学工业工程与运营研究系)
本文提出自动递归方法用于动态治疗效应和通用嵌套函数的推断,结合神经网络和随机森林实现灵活估计,并引入递归里斯代表式作为技术贡献。
2026-07-22 cs.LG econ.EM math.ST
Empirical Decomposition of the IV-OLS Gap with Heterogeneous and Nonlinear Effects
本研究提出了一个计量经济学的框架来解释和经验分解IV和OLS估计值之间的差异时,治疗的真正的因果关系是非线性的治疗水平和异质性的协变量的线性回归模型。我表明,IV-OLS系数差距由三个可估计的组成部分:协变量的权重差异,治疗水平的权重差异,以及确定的边际效应的差异,所产生的内偏置。这个框架的应用程序返回到学校的估计表明,这种区别在正确解释IV-OLS差距的经验相关性。
2022-06-24 econ.EM
Geographic Difference-in-Discontinuities
最近的计量经济学文献批评了使用回归不连续的行政边界作为“截止”。在这种情况下,识别是困难的,因为多种治疗方法可以在临界点改变,个人可以很容易地在边界的任何一边进行分类。本文扩展了Grembi等中讨论的不连续性差异框架。(2016)地理环境。本文正式确定在这种情况下,这将允许删除的时间不变的排序和复合治疗类似的差异,差异的方法的假设。
2021-09-16 econ.EM
Partial Mean Processes with Generated Regressors: Continuous Treatment Effects and Nonseparable Models
部分均值与生成的回归出现在几个计量经济学问题,如分布的潜在结果与连续治疗和分位数结构函数在一个不可分离的三角模型。本文提出了一种非参数估计的部分均值过程,其中第二步由一个核回归的回归估计在第一步。的主要贡献是一个统一的扩展,详细描述了如何与所产生的回归估计误差影响的边际积分估计的极限分布。一般结果用两个例子来说明:连续治疗的广义倾向评分(Hirano和Imbens,2004)和三角模型中的控制变量(Newey,Powell和Vella,1999; Imbens和Newey,2009)。一个实证应用的工作团计划评估证明了该方法的实用性。
2018-10-31 econ.EM
Higher-Order Debiased Estimators for General Treatment Models
Institute of Statistics & Big Data, Renmin University of China(中国人民大学统计与大数据研究院);Institute of Natural Sciences, MOE–LSC, School of Mathematical Sciences, CMA–Shanghai, SJTU–Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University(上海交通大学数学科学学院自然科学研究院、MOE-LSCEA-Mathematics上海中心、上交-耶鲁生物统计与数据科学联合中心)
针对复杂参数(如分位数处理效应)的M/Z估计问题,提出基于高阶影响函数的估计量,放宽了干扰参数的Hölder光滑性假设,并利用U过程理论推导统计性质。
2026-06-24 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
Heterogeneous Effects of Endogenous Treatments with Interference and Spillovers in a Large Network
Vanderbilt University(范德堡大学)
本文提出了一种分析大网络中内生处理异质效应的计量经济学框架,揭示了干扰和溢出对进口竞争影响劳动力市场的放大效应。
2025-12-16 econ.EM
Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects
University of Graz(格拉茨大学)
本文提出含溢出的罗伊模型,开发贝叶斯推断算法,将其应用于美国机会区计划,发现该计划对住房发展有正向直接效应但溢出收益有限,扩张回报递减。
2026-08-27 econ.EM
Heterogeneity Analysis with Heterogeneous Treatments
Aarhus University(奥胡斯大学);Harvard University, Department of Economics(哈佛大学经济学系);University of Tübingen(蒂宾根大学)
本文提出了一种分解框架,用于分析治疗异质性和效果异质性对群体差异的影响,揭示性别差距主要由女性受不同治疗而非不同回报驱动。
2026-02-26 econ.EM
When can we get away with using the two-way fixed effects regression?
本文针对双向固定效应回归在处理效应异质性下产生有偏估计的问题,提出了检验跨队列动态处理效应差异的线性约束方法,以判断何时该回归会产生有偏的ATT估计,并在pyfixest库中实现。
2025-03-07 econ.EM
A Consistent Variance Estimator for 2SLS When Instruments Identify Different LATEs
University of New South Wales(新南威尔士大学)
本文提出了一种在工具变量识别不同局部平均处理效应时,二阶段最小二乘法中一致方差估计器的构建方法,通过推导正确的渐近分布并应用Hall和Inoue的结果,解决了传统估计器不一致的问题。
2018-06-05 econ.EM
Permutation inference with a finite number of heterogeneous clusters
我介绍了一个简单的置换过程来测试传统的(非尖锐)假设的影响,一个二元治疗的存在下,一个有限数量的大型,异质集群时,处理效应确定跨集群的比较。该程序通过对适当的统计量应用水平调整排列检验来渐近控制大小。本文列出了大多数经验相关情况下所需的调整。调整后的排列检验在实践中很容易实现,并且在常规显著性水平下表现良好,至少有四个治疗组和类似数量的对照组。它特别适用于某些集群比其他集群更易变的情况。提供了实例和经验应用。
2023-02-07 econ.EM stat.ME
Identification of Treatment Effects under Limited Exogenous Variation
本文提出变系数设定以缓解处理效应非参数识别的强支撑条件,给出平均处理效应识别的充要条件(条件非奇异性),并统一半参数与非参数识别框架。
2025-01-26 econ.EM stat.ME
Meta-Learners for Estimation of Causal Effects: Finite Sample Cross-Fit Performance
使用机器学习方法估计因果效应已成为计量经济学中一个活跃的研究领域。本文研究了在使用样本分裂和交叉拟合来减少过拟合偏差的情况下,元学习器在估计异质处理效应时的有限样本性能。在合成和半合成模拟中,我们发现元学习器在有限样本中的性能在很大程度上取决于估计过程。结果表明,样本分裂和交叉拟合是有益的,在大样本的偏差减少和元学习器的效率,分别,而全样本估计是更可取的小样本。此外,我们根据特定的数据特征,如治疗份额和样本量,得出具体的元学习者在实证研究中的应用的实际建议。
2022-01-30 econ.EM stat.ML
Bayesian Approaches to Shrinkage and Sparse Estimation
在人类知识的所有领域,数据集的规模和复杂性都在增加,这就需要更丰富的统计模型。这种趋势也适用于经济数据,其中高维和非线性/非参数推断是应用计量经济学工作的几个领域的规范。本文的目的是通过调查现代收缩和变量选择算法和方法,向读者介绍贝叶斯模型确定的世界。贝叶斯推理是一种自然的概率框架,用于量化不确定性和学习模型参数,这一特征对于高维和复杂性增加的现代模型的推理特别重要。我们从线性回归设置开始,以引入各种类别的先验,这些先验导致与流行的惩罚似然估计(例如,脊,套索)。我们探讨了各种方法的精确和近似推理,并讨论其利弊。最后,我们探讨了如何先验开发的简单回归设置可以扩展到各种有趣的计量经济学模型的一个简单的方式。特别是,考虑以下案例研究,证明贝叶斯收缩和变量选择策略的应用流行的计量经济学背景:i)向量自回归模型; ii)因子模型; iii)时变参数回归; iv)处理效应模型中的混杂因素选择;和v)分位数回归模型。MATLAB软件包和附带的技术手册允许读者复制本文中描述的许多算法。
2021-12-22 econ.EM stat.CO stat.ME
Treatment Effects with Correlated Spillovers: Bridging Discrete and Continuous Methods
Center for Advanced Research in Finance, The University of Tokyo(东京大学高级金融研究中心)
本文提出一个连续框架,整合离散与连续方法,通过互信息度量溢出效应,验证无溢出限制下的正确推断。
2025-12-25 econ.EM econ.TH stat.ME
Inference on Treatment Effects with Repeatedly Mismeasured High-Dimensional Controls
针对高维加性测量误差下的处理效应估计问题,提出Double/Debiased CoCoLASSO方法,通过构建Neyman-orthogonal得分函数、矩估计误差方差并证明$\sqrt{N}$-一致性,实现了无需已知误差结构的稳健高效估计。
2026-11-19 econ.EM stat.ME
Estimating population average treatment effects from experiments with noncompliance
随机对照试验(RCT)是估计因果效应的金标准,但通常使用的样本不代表实际感兴趣的人群。我们提出了一种重新加权的方法来估计人口平均处理效应的设置与不遵守。仿真结果表明,建议的顺应性调整的人口估计优于其未调整的对应时,顺应性相对较低,可以预测的观测协变量。我们应用该方法来评估医疗补助覆盖范围对目标人群的医疗保健使用的影响,这些目标人群可能会从医疗补助计划的扩展中受益。我们从俄勒冈州健康保险实验中提取RCT数据,其中只有不到三分之一的随机选择接受医疗补助的人实际登记。
2020-08-08 econ.EM stat.AP stat.ME
Deep Learning for Causal Inference
Stanford University Graduate School of Business(斯坦福大学商学院)
在本文中,我们提出了用于计量经济学的深度学习技术,特别是用于因果推断和估计个体以及平均处理效应。本文的贡献是双重的:1。对于广义近邻匹配估计个人和平均处理效应,我们分析了使用自动编码器进行降维,同时保持嵌入空间中数据点之间的局部邻域结构。这种基于深度学习的技术在估计处理效应方面表现优于简单的k近邻匹配,特别是当数据点具有多个特征/协变量但位于高维空间中的低维流形时。我们还观察到更好的性能比流形学习方法的邻居匹配。2.倾向分数匹配是一种执行匹配以估计平均和个体处理效应的特定且流行的方式。我们建议使用深度神经网络(DNN)进行倾向分数匹配,并为此提出了一个名为PropensityNet的网络。这是传统上用于估计倾向分数的逻辑回归技术的概括,我们根据经验表明,DNN在倾向分数匹配方面的表现优于逻辑回归。这两种方法的代码将很快在Github上提供:https://github.com/vikas84bf
2018-03-01 cs.LG econ.EM stat.ML
Learning Treatment Effects in Panels with General Intervention Patterns
Sloan School of Management(斯隆管理学院);Tepper School of Business, Carnegie Mellon University(卡内基梅隆大学泰珀商学院);Massachusetts Institute of Technology(麻省理工学院);Department of Aeronautics and Astronautics, Massachusetts Institute of Technology(麻省理工学院航空航天系)
本文扩展了合成控制范式,解决了面板数据中一般干预模式下平均处理效应的估计问题,实现了速率最优恢复并在实验中展现出显著优势。
2023-03-31 cs.LG econ.EM stat.ML
Dynamic Spatial Treatment Effect Boundaries: A Continuous Functional Framework from Navier-Stokes Equations
The University of Tokyo(东京大学)
本文提出基于纳维-斯托克斯方程的连续泛函框架,刻画动态空间处理效应边界,利用卫星数据验证指数衰减规律,并在边界检测与误报控制上优于离散方法。
2025-10-20 econ.EM econ.TH stat.AP
On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization
本文针对协变量自适应随机化实验,提出利用机器学习纳入额外协变量的分布回归框架以高效估计分布处理效应,并证明其达到半参数效率界。
2025-06-06 econ.EM math.ST stat.ML
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
Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
University of Notre Dame(内布拉斯加大学)
本文提出协变量调整深度因果学习(CoDEAL),结合非线性协变量组件与多输出自编码器因子结构,以估计面板数据中的异质性处理效应,并通过矩阵补全实现反事实插补,理论保证收敛且实证表现优异。
2026-11-10 cs.LG econ.EM stat.ME
Beyond the Average: Distributional Causal Inference under Imperfect Compliance
CyberAgent, Inc.(CyberAgent公司);Databricks Japan, Inc.(Databricks日本公司);Keio University(庆应义塾大学)
本文提出一种基于工具变量和分布回归的估计器,用于在不完全依从的随机实验中估计局部分布处理效应,达到半参数效率界,并在俄勒冈健康保险实验中验证其有效性。
2025-10-26 econ.EM math.ST stat.AP