Estimating Continuous Treatment Effects in Panel Data using Machine Learning with a Climate Application
利用机器学习估计面板数据连续处理效应：气候应用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。
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：摘要直接研究面板数据中的连续处理效应、个体固定效应及平均偏导数估计。
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
利用机器学习估计面板数据连续处理效应：气候应用
- 研究问题
- 处理与结局关系非线性时，如何在允许加性个体固定效应和高维异质性的面板中，一致估计总体平均偏导数？
- 方法与思路
- 作者提出自动双重／去偏机器学习估计量，并引入基于优化的去偏与解析导数，以减少偏差及数值微分近似误差。
- 材料陈述的贡献
- 摘要称，方法具有一致性和渐近正态性；模拟优于所比较方法，极端高温对玉米产量的效应估计比线性模型大 50%，精度相当。
- 阅读关注点
- 应核对连续处理效应的识别、固定效应处理和渐近条件，以及解析导数实现、模拟比较和气候应用中精度的衡量。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整识别假设或应用设定，50% 的差异仅为作者报告的案例结果。
原文摘要
Economists often estimate continuous treatment effects in panel data using linear two-way fixed effects models (TWFE). When the treatment-outcome relationship is nonlinear, TWFE is misspecifed and potentially biased for the average partial derivative (APD). We develop an automatic double/de-biased machine learning (ADML) estimator that is consistent for the population APD while allowing additive unit fixed effects, nonlinearities, and high dimensional heterogeneity. We prove asymptotic normality and add two refinements - optimization based de-biasing and analytic derivatives - that reduce bias and remove numerical approximation error. Simulations show that the proposed method outperforms high order polynomial OLS and standard ML estimators. Our estimator leads to significantly larger (by 50%), but equally precise, estimates of the effect of extreme heat on corn yield compared to standard linear models.