P-CRE-DML: A Novel Approach for Causal Inference in Non-Linear Panel Data
P-CRE-DML：非线性面板数据因果推断的新方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要提出面板因果估计方法，并明确应用于跨国社会信任与 GDP 增长面板。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
P-CRE-DML：非线性面板数据因果推断的新方法
- 研究问题
- 如何在存在非线性与未观测异质性的面板中估计因果效应，并将该方法用于研究跨国社会信任与经济增长之间的关系？
- 方法与思路
- 作者将双重机器学习、相关随机效应和滞后变量结合为代理增强框架，应用于八十九国面板，并与其他估计方法进行模拟比较。
- 材料陈述的贡献
- 摘要报告信任与增长存在正向显著关系，并称所设模拟中方法较 CRE-DML 和系统 GMM 偏差更低，提供灵活的面板估计方案。
- 阅读关注点
- 应核对代理与滞后变量如何控制未观测异质性、正交得分和面板样本划分，以及比较方法是否面对相同识别条件与模拟设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未说明关键识别假设，显著关系与特定模拟中的低偏差不足以确认普遍因果优势。
原文摘要
This paper introduces a novel Proxy-Enhanced Correlated Random Effects Double Machine Learning (P-CRE-DML) framework to estimate causal effects in panel data with non-linearities and unobserved heterogeneity. Combining Double Machine Learning (DML, Chernozhukov et al., 2018), Correlated Random Effects (CRE, Mundlak, 1978), and lagged variables (Arellano & Bond, 1991) and innovating within the CRE-DML framework (Chernozhukov et al., 2022; Clarke & Polselli, 2025; Fuhr & Papies, 2024), we apply P-CRE-DML to investigate the effect of social trust on GDP growth across 89 countries (2010-2020). We find positive and statistically significant relationship between social trust and economic growth. This aligns with prior findings on trust-growth relationship (e.g., Knack & Keefer, 1997). Furthermore, a Monte Carlo simulation demonstrates P-CRE-DML's advantage in terms of lower bias over CRE-DML and System GMM. P-CRE-DML offers a robust and flexible alternative for panel data causal inference, with applications beyond economic growth.