Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications
静态面板工具变量模型的双重机器学习：方法与应用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：摘要明确研究静态面板中的内生处理、工具变量因果推断和弱识别诊断。
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…
静态面板工具变量模型的双重机器学习：方法与应用
- 研究问题
- 当面板处理内生且工具变量有效性依赖高维、非线性协变量调整时，如何开展估计并诊断调整后的弱识别问题？
- 方法与思路
- 作者为静态面板工具变量模型构建双重机器学习估计量和弱识别诊断，并重新分析三项采用 shift-share 工具的移民研究。
- 材料陈述的贡献
- 摘要称一项应用大体确认 2SLS 结果，另两项在灵活调整后暴露弱工具；模拟支持强工具下估计改善及弱识别下更可靠推断。
- 阅读关注点
- 应核对面板异质性的处理、工具有效性的条件、机器学习与推断的衔接，以及弱识别诊断和置信区间的具体构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明识别假设或诊断阈值，灵活调整本身不能保证工具变量有效。
原文摘要
Panel data methods are widely used in empirical analysis to address unobserved heterogeneity, but causal inference remains challenging when treatments are endogenous and confounding variables high-dimensional and potentially nonlinear. Standard instrumental variables (IV) estimators, such as two-stage least squares (2SLS), become unreliable when instrument validity requires flexibly conditioning on many covariates with potentially non-linear effects. This paper develops a Double Machine Learning estimator for static panel models with endogenous treatments (panel IV DML), and introduces weak-identification diagnostics for it. We revisit three influential migration studies that use shift-share instruments. In these settings, instrument validity depends on a rich covariate adjustment. In one application, panel IV DML strengthens the predictive power of the instrument and broadly confirms 2SLS results. In the other cases, flexible adjustment makes the instruments weak, leading to substantially more cautious causal inference than conventional 2SLS. Monte Carlo evidence supports these findings, showing that panel IV DML improves estimation accuracy under strong instruments and delivers more reliable inference under weak identification.