Double/Debiased Machine Learning for Continuous Treatment Effects in Panel Data with Endogeneity
内生性面板数据中连续处理效应的双重／去偏机器学习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：摘要明确研究内生性下连续处理的平均导数效应，并采用双向固定效应面板模型，直接对应因果推断与面板数据。
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
内生性面板数据中连续处理效应的双重／去偏机器学习
- 研究问题
- 在具有双向固定效应及内生性的非参数面板模型中，如何估计连续处理的平均导数效应，并获得动态与汇总效应推断？
- 方法与思路
- 作者结合面板工具变量、消除时间固定效应后的交叉拟合，以及惩罚 GMM 去偏项，构建连续处理效应的机器学习估计。
- 材料陈述的贡献
- 摘要称同期、动态和汇总效应估计具有一致性、渐近正态性及有效方差估计；模拟显示正则化偏差降低、区间较准确。
- 阅读关注点
- 应核对工具变量识别条件、固定效应消除后的依赖处理、交叉拟合划分，以及平均导数效应和动态效应的定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未列出内生性处理的完整条件，家庭社会经济地位与儿童 BMI 的因果解释仍需核对。
原文摘要
We propose a double/debiased machine learning framework to estimate average derivative effects in nonparametric panel models with two-way fixed effects. It extends instrumental variable methods to panel settings, handles continuous treatments and various forms of endogeneity, and introduces a cross-fitting scheme to restore independence after eliminating time fixed effects. A penalized GMM debiasing term enables automatic debiased machine learning with endogeneity. Our estimators for contemporaneous, dynamic, and aggregated effects are consistent and asymptotically normal with a valid variance estimator. Simulations show reduced regularization bias and accurate confidence intervals. An application to ECLS-K data reveals rich dynamics in the effect of family SES on childhood BMI.