双重机器学习代码
双重机器学习方法相对于传统的倾向匹配、双重差分、断点回归等因果推断方法，有非常多的优点，包括但不限于适用于高维数据(传统的计量方法在解释变量很多的情况下不便使用)，目不需要预设协变量的函数形式(可能协变量与Y是非线性关系)。正则化的具体做法
2018年有学者将双重机器学习方法应用在了平均处理效应、局部处理效应和部分线性IV模型等中。他们通过三个案例，包括失业保险对失业持续时间的影响、401(k)养老金参与资格对于净金融资产的影响、制度对经济增长的长期影响，拓展了双重机器学习在政策评估中的应用场景。
双重机器学习假设所有混淆变量都可以被观测，其正则化过程能够达到高维变量选择的目的，与Frisch-Waugh-Lovell定理相似，模型通过正交化解决正则化带来的偏差。除了上面所描述的，还有一些问题待解决，比如在ML模型下存在偏差和估计有效性的问题，这个时候可以通过Sample Splitting和 Cross Fitting的方式来解决，具体做法是我们把数据分成一个训练集和估计集，在讥练集上我们分别使用机器学习来拟合影响，在估计集上我们根据拟合得到的函数来做残差的估计，通过这种方法，可以对偏差进行修正。在偏差修正的基础上，我们可以对整个
估计方法去构造一个moment condition，得到置信区间的推断，从而得到一个有良好统计的估计。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。