Estimation and inference of treatment effects with L2-boosting in high-dimensional settings
高维环境下基于 L2 提升的处理效应估计与推断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。
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：摘要明确研究高维控制变量和工具变量选择后的处理效应估计与推断。
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…
高维环境下基于 L2 提升的处理效应估计与推断
- 研究问题
- 当处理效应分析包含大量控制变量或工具变量时，如何使用 L2 提升进行变量选择，并维持选择后推断的有效性？
- 方法与思路
- 作者研究迭代后处理与正交 L2 提升的收敛率，在近似稀疏且不要求 beta-min 条件的设定下，将结果扩展至 2SLS。
- 材料陈述的贡献
- 摘要称，论文提供高维变量选择后的有效处理效应推断，并通过模拟与 Lasso 比较，再用于银行并购相关工具变量分析。
- 阅读关注点
- 应核对近似稀疏、设计矩阵和工具变量强度的条件，提升算法停止规则，以及选择步骤如何衔接处理效应的有效推断。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；具体条件、比较数值与实证效应未说明，不要求 beta-min 不代表可以放弃其他识别限制。
原文摘要
Empirical researchers are increasingly faced with rich data sets containing many controls or instrumental variables, making it essential to choose an appropriate approach to variable selection. In this paper, we provide results for valid inference after post- or orthogonal L2-boosting is used for variable selection. We consider treatment effects after selecting among many control variables and instrumental variable models with potentially many instruments. To achieve this, we establish new results for the rate of convergence of iterated post-L2-boosting and orthogonal L2-boosting in a high-dimensional setting similar to Lasso, i.e., under approximate sparsity without assuming the beta-min condition. These results are extended to the 2SLS framework and valid inference is provided for treatment effect analysis. We give extensive simulation results for the proposed methods and compare them with Lasso. In an empirical application, we construct efficient IVs with our proposed methods to estimate the effect of pre-merger overlap of bank branch networks in the US on the post-merger stock returns of the acquirer bank.