Double Machine Learning for Static Panel Models with Fixed Effects
含固定效应的静态面板模型中的双重机器学习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：摘要明确研究固定效应面板中的部分线性模型、非线性混杂与双重机器学习效应估计，直接支持面板数据和因果推断分类。
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
含固定效应的静态面板模型中的双重机器学习
- 研究问题
- 在具有固定效应和未知非线性混杂的静态面板中，如何利用机器学习拟合高维干扰函数，并估计部分线性模型中的目标效应？
- 方法与思路
- 作者把相关随机效应、组内和一阶差分方法拓展到非线性面板的双重机器学习程序，以模拟比较学习器，并重估英国最低工资与投票行为。
- 材料陈述的贡献
- 摘要称，研究提出面板双重机器学习程序，并依据其结果推荐一阶差分及集成学习；前者被描述为对固定效应分布约束较少。
- 阅读关注点
- 应核对各程序对固定效应及混杂函数的限制、面板依赖下的样本分割与推断，以及一阶差分建议适用的模拟和实证设定。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未给出完整假设和实证效应值，方法推荐不能视为普遍最优结论。
原文摘要
Recent advances in causal inference have seen the development of methods which make use of the predictive power of machine learning algorithms. In this paper, we develop novel double machine learning (DML) procedures for panel data in which these algorithms are used to approximate high-dimensional and nonlinear nuisance functions of the covariates. Our new procedures are extensions of the well-known correlated random effects, within-group and first-difference estimators from linear to nonlinear panel models, specifically, Robinson (1988)'s partially linear regression model with fixed effects and unspecified nonlinear confounding. Our simulation study assesses the performance of these procedures using different machine learning algorithms. We use our procedures to re-estimate the impact of minimum wage on voting behaviour in the UK. From our results, we recommend the use of first-differencing because it imposes the fewest constraints on the distribution of the fixed effects, and an ensemble learning strategy to ensure optimum estimator accuracy.