Econometric Inference with Machine-Learned Proxies: Partial Identification via Data Combination
机器学习代理变量下的计量推断：通过数据组合实现部分识别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：摘要研究一般矩模型的代理变量与数据组合，未明确限定于因果、面板、金融或其他所列细分方向。
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
机器学习代理变量下的计量推断：通过数据组合实现部分识别
- 研究问题
- 机器学习代理变量直接代入计量模型可能产生偏差时，如何结合下游与辅助验证样本，对潜在目标变量进行部分识别？
- 方法与思路
- 作者将代理变量作为两份样本的连接变量，在一般矩模型中利用无条件最优传输刻画尖锐识别，并采用解析临界值推断。
- 材料陈述的贡献
- 摘要称，框架无需上游学习一致性或已知收敛率，也无需完整验证样本；提出渐近尺寸控制方法并展示模拟置信集。
- 阅读关注点
- 应核对两份样本之间的兼容与可迁移条件、最优传输识别集的尖锐性，以及解析临界值和尺寸控制的正则要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；不限制上游算法不代表无识别假设，摘要未列出数据组合条件。
原文摘要
Empirical researchers increasingly use upstream machine-learning (ML) methods to construct proxies for latent target variables from complex, unstructured data. A naive plug-in use of such proxies in downstream econometric models, however, can lead to biased estimation and invalid inference. This paper develops a framework for partial identification and inference in general moment models with ML-generated proxies. Our approach does not require restrictive assumptions on the upstream ML procedure, such as consistency or known convergence rates, nor does it require a complete validation sample containing all variables used in the downstream analysis. Instead, we assume access to two datasets: a downstream sample containing observed covariates and the proxy, and an auxiliary validation sample containing joint observations on the proxy and its target variable. We treat the proxy as a linking variable between these two samples, rather than as a literal noisy substitute for the latent target variable. Building on this idea, we develop a sharp identification strategy based on an unconditional optimal transport characterization and an inference procedure that controls asymptotic size using analytical critical values without resampling. Monte Carlo simulations show reliable size control and informative confidence sets across a range of predictive-accuracy scenarios.