Semiparametric Inference for Dynamic Causal Effects from Observational Time Series
观察性时间序列动态因果效应的半参数推断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：摘要明确研究时间依赖下的动态因果效应，并使用工具变量分析货币政策干预，直接涉及因果、时间序列与宏观冲击。
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…
观察性时间序列动态因果效应的半参数推断
- 研究问题
- 单条观察性时间序列存在高维处理前信息、未测混杂和序列依赖时，如何估计一次性干预在不同期限的动态因果效应？
- 方法与思路
- 作者将去偏机器学习与工具变量结合，采用带缓冲区的分块交叉拟合，在几何 β-mixing 下分析误差界和固定期限推断。
- 材料陈述的贡献
- 摘要称给出非渐近误差界、逐个固定期限的渐近正态性及可行推断，并在货币政策应用中报告中期住房开工下降。
- 阅读关注点
- 核对工具变量识别条件、缓冲区与分块选择、干扰函数收敛速率，以及固定期限区间能否支持跨期限联合陈述。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要只陈述固定期限渐近正态性，不能据此声称同时覆盖或工具有效性已获验证。
原文摘要
In observational time series, statistical inference for dynamic causal effects of a one-time intervention across horizons is complicated by high-dimensional observed pre-treatment information, unmeasured confounding, and serial dependence. To address these challenges, we develop a semiparametric framework for inference from a single serially dependent time series, integrating debiased machine learning with instrumental variables through buffered block cross-fitting. Under geometric beta-mixing, we derive non-asymptotic bounds on estimation error, asymptotic normality at each fixed horizon, and feasible inference that accommodates serial dependence. We further show how learner-specific prediction guarantees under temporal dependence can be used to verify the nuisance-rate conditions required for orthogonal inference. In a monetary-policy application with 468 months and 1464 lagged FRED-MD controls, we show an instrumented policy tightening lowers housing starts at medium horizons, with sensitivity analyses that support the finding.