Double Machine Learning with High-dimensional Interactive Fixed Effects
高维交互固定效应下的双重机器学习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：摘要明确研究含交互固定效应的高维部分线性面板模型。
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…
高维交互固定效应下的双重机器学习
- 研究问题
- 面板数据同时存在随时间变化的潜在因子与高维非线性控制变量时，如何估计部分线性模型而降低线性设定误差的影响？
- 方法与思路
- 作者将类似共同相关效应方法的投影去因子化，与 Neyman 正交得分及交叉拟合结合，使用机器学习估计高维协变量效应。
- 材料陈述的贡献
- 摘要称方法容纳结果与处理中的低秩因子结构；模拟显示在线性设定不正确时表现改善，股票收益应用中部分效应不再显著。
- 阅读关注点
- 应核对去因子化对因子及面板维度的要求、交叉拟合如何处理依赖，以及正交得分与机器学习误差控制的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核验；摘要未给出识别及收敛条件，模拟改善与显著性变化不能证明普遍优越性。
原文摘要
Factor structures are central to empirical work in economics and finance, and are usually used to model time-varying unobserved heterogeneity through interactive fixed effects (IFE). Existing IFE estimators rest on low-dimensional and linear specifications in the covariates, assumptions which are increasingly restrictive in applications drawing on rich datasets with controls of unknown functional form. This paper develops a Double Machine Learning estimator for the high-dimensional partially linear panel model with interactive fixed effects (panel DML-IFE). The method combines projection-based defactorisation of the data, in the spirit of Common Correlated Effects (CCE), with a Neyman-orthogonal score function and cross-fitting procedure, and accommodates low-rank factor structures in outcomes and treatments alongside high-dimensional, potentially nonlinear covariate effects estimated by machine learning algorithms. Monte Carlo simulations show that panel DML-IFE outperforms conventional IFE estimator outside the correctly-specified linear case, with bias reduction driven primarily by the time and covariate dimensions. An empirical application to U.S. stock returns shows that several effects documented under linear specifications lose statistical significance once high-dimensional nonlinear confounding and the presence of IFE are jointly accounted for.