Double/Debiased CoCoLASSO of Treatment Effects with Mismeasured High-Dimensional Control Variables
含测量误差的高维控制变量下处理效应的双重去偏 CoCoLASSOAI 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：摘要以含测量误差的高维控制变量下处理效应估计与推断为核心，直接对应因果推断方向。
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
含测量误差的高维控制变量下处理效应的双重去偏 CoCoLASSO
- 研究问题
- 高维控制变量存在加性测量误差时，如何估计处理效应，并在误差结构未知的情况下获得有效的渐近推断？
- 方法与思路
- 作者将 CoCoLASSO 纳入双重去偏框架，构造含误差偏差修正的正交得分，并用矩估计估计测量误差方差。
- 材料陈述的贡献
- 摘要称，估计量具有根样本量一致性和渐近正态性，并在所讨论的正则化估计量类别内具有相应效率性质。
- 阅读关注点
- 应核对误差方差的识别来源、正交得分成立条件，以及维度和误差幅度随样本增长时的具体限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列一般条件，效率与模拟表现均不能外推为普遍优势。
原文摘要
We develop an estimator for treatment effects in high-dimensional settings with additive measurement error, a prevalent challenge in modern econometrics. We introduce the Double/Debiased Convex Conditioned LASSO (Double/Debiased CoCoLASSO), which extends the double/debiased machine learning framework to accommodate mismeasured covariates. Our principal contributions are threefold. (1) We construct a Neyman-orthogonal score function that remains valid under measurement error, incorporating a bias correction term to account for error-induced correlations. (2) We propose a method of moments estimator for the measurement error variance, enabling implementation without prior knowledge of the error covariance structure. (3) We establish the $\sqrt{N}$-consistency and asymptotic normality of our estimator under general conditions, allowing for both the number of covariates and the magnitude of measurement error to increase with the sample size. Our theoretical results demonstrate the estimator's efficiency within the class of regularized high-dimensional estimators accounting for measurement error. Monte Carlo simulations corroborate our asymptotic theory and illustrate the estimator's robust performance across various levels of measurement error. Notably, our covariance-oblivious approach nearly matches the efficiency of methods that assume known error variance.