Double machine learning with gradient boosting and its application to the Big N audit quality effect
梯度提升双重机器学习及其对大型审计机构质量效应的应用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。
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：摘要明确以双重机器学习估计平均处理效应，并研究审计机构对审计质量的影响。
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…
梯度提升双重机器学习及其对大型审计机构质量效应的应用
- 研究问题
- 在存在大量协变量和高维干扰函数时，双重机器学习如何估计平均处理效应，并用于评估大型审计机构对审计质量的影响？
- 方法与思路
- 作者研究双重机器学习，模拟比较梯度提升与多种学习方法，再以梯度提升估计大型审计机构效应，并考察超参数敏感性。
- 材料陈述的贡献
- 摘要称梯度提升在所设模拟中较稳健；实证报告大型审计机构对审计质量有统计及经济意义上的正效应，且对超参数较稳健。
- 阅读关注点
- 应核对平均处理效应的识别条件、干扰函数收敛要求、样本划分方式、审计质量度量，以及学习器和倾向得分匹配的比较设计。
- 阅读边界
- 所给出版社摘要未说明因果识别假设、效应数值或模拟范围；无正则化偏差的陈述附有适当收敛率条件，不能理解为自动保证。
原文摘要
In this paper, we study the double machine learning (DML) approach of Chernozhukov et al. (2018) for estimating average treatment effect and apply this approach to examine the Big N audit quality effect in the accounting literature. This approach relies on machine learning methods and is suitable when a high dimensional nuisance function with many covariates is present in the model. This approach does not suffer from the “regularization bias” when a learning method with a proper convergence rate is used. We demonstrate by simulations that, for the DML approach, the gradient boosting method is fairly robust and to be preferred to other methods, such as regression tree, random forest, support vector regression machine, and the conventional Nadaraya–Watson nonparametric estimator. We then apply the DML approach with gradient boosting to estimate the Big N effect. We find that Big N auditors have a positive effect on audit quality and that this effect is not only statistically significant but also economically important. We further show that, in contrast to the results of propensity score matching, our estimates of said effect are quite robust to the hyper-parameters in the gradient boosting algorithm.