Debiased Machine Learning for Unobserved Heterogeneity: High-Dimensional Panels and Measurement Error Models
不可观测异质性的去偏机器学习：高维面板与测量误差模型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：摘要明确将方法用于含高维控制变量的面板模型，估计共同参数、平均边际效应及异质性方差。
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…
不可观测异质性的去偏机器学习：高维面板与测量误差模型
- 研究问题
- 存在非参数不可观测异质性和高维干扰参数时，如何对异质性的函数量及可能部分识别的多元目标进行推断？
- 方法与思路
- 作者刻画具有目标信息的全部 Neyman 正交矩条件，并据此构造去偏机器学习程序，应用于面板和测量误差模型。
- 材料陈述的贡献
- 摘要称额外支持条件可带来对异质性分布的全局稳健性，并报告高效正交矩在模拟中相对临时选择的效率增益。
- 阅读关注点
- 应核对相关正交矩的刻画、额外支持条件、部分识别目标的推断方式，以及高维干扰参数的估计要求。
- 阅读边界
- 这是预印本，同行评审及接收未核实。摘要未给支持条件及收敛率，不能将局部稳健性理解为任意误设均有效。
原文摘要
Developing robust inference for models with nonparametric Unobserved Heterogeneity (UH) is both important and challenging. We propose novel Debiased Machine Learning (DML) procedures for valid inference on functionals of UH, allowing for partial identification of multivariate target and high-dimensional nuisance parameters. Our main contribution is a full characterization of all relevant Neyman-orthogonal moments in models with nonparametric UH, where relevance means informativeness about the parameter of interest. Under additional support conditions, orthogonal moments are globally robust to the distribution of the UH. They may still involve other high-dimensional nuisance parameters, but their local robustness reduces regularization bias and enables valid DML inference. We apply these results to: (i) common parameters, average marginal effects, and variances of UH in panel data models with high-dimensional controls; (ii) moments of the common factor in the Kotlarski model with a factor loading; and (iii) smooth functionals of teacher value-added. Monte Carlo simulations show substantial efficiency gains from using efficient orthogonal moments relative to ad-hoc choices. We illustrate the practical value of our approach by showing that existing estimates of the average and variance effects of maternal smoking on child birth weight are robust.