Treatment Effects Inference with High-Dimensional Instruments and Control Variables
高维工具变量与控制变量下的处理效应推断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：摘要直接研究工具变量处理效应推断，并以教育对收入的因果效应为实证应用。
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…
高维工具变量与控制变量下的处理效应推断
- 研究问题
- 当工具变量和控制变量都很多，且控制变量不一定满足稀疏性时，如何对存在内生性的处理效应进行有效估计和推断？
- 方法与思路
- 作者提出两步岭正则化工具变量方法：先结合岭回归与数据分割，再利用岭式投影矩阵和最小二乘回归减轻估计偏差。
- 材料陈述的贡献
- 摘要称建立一致性、渐近正态性及渐近方差的一致估计，并在模拟和教育对收入影响的应用中展示方法表现。
- 阅读关注点
- 应核对工具变量有效性与强度、高维增长及调参条件，确认非稀疏情形的适用范围和数据分割对推断的影响。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实；摘要未说明具体识别及正则条件，其模拟优势不能外推至所有高维设计。
原文摘要
Obtaining valid treatment effect inference remains a challenging problem when dealing with numerous instruments and non-sparse control variables. In this paper, we propose a novel ridge regularization-based instrumental variables method for estimation and inference in the presence of both high-dimensional instrumental variables and high-dimensional control variables. These methods are applicable both with and without sparsity assumptions. To remove the estimation bias, we introduce a two-step procedure employing a ridge regression coupled with data-splitting in the first step, and a ridge style projection matrix with a simple least squares regression in the second. We establish statistical properties of the estimator, including consistency and asymptotic normality. Furthermore, we develop practical statistical inference procedures by providing a consistent estimator for the asymptotic variance of the estimator. The finite sample performance of the proposed methods is evaluated through numerical simulations. Results indicate that the new estimator consistently outperforms existing sparsity-based approaches across various settings, offering valuable insights for complex scenarios. Finally, we provide an empirical application estimating the causal effect of schooling on earnings addressing potential endogeneity through the use of high-dimensional instrumental variables and high-dimensional covariates.