Double/debiased machine learning for difference-in-differences models
双重差分模型中的双重／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。
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Neyman正交与机器学习用于双重差分政策效应估计。
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
双重差分模型中的双重／去偏机器学习
- 研究问题
- 当潜在控制变量维度很高、甚至超过样本量时，如何在双重差分估计中使用机器学习并减轻第一步估计误差的影响？
- 方法与思路
- 作者对既有半参数双重差分估计量作Neyman正交扩展，使第一步可以灵活采用多种机器学习方法估计。
- 材料陈述的贡献
- 摘要称该方法适合传统核与筛估计难以应用的高维情形，并在关税削减与腐败的应用中发现较大的腐败下降效应。
- 阅读关注点
- 应核对正交得分、因果识别条件、第一步误差要求与推断程序，以及关税应用的比较组和协变量处理。
- 阅读边界
- 摘要未说明机器学习收敛条件、是否使用样本分割或具体效应数值；正交性本身不能保证因果识别成立。
原文摘要
Summary This paper provides an orthogonal extension of the semiparametric difference-in-differences estimator proposed in earlier literature. The proposed estimator enjoys the so-called Neyman orthogonality (Chernozhukov et al., 2018), and thus it allows researchers to flexibly use a rich set of machine learning methods in the first-step estimation. It is particularly useful when researchers confront a high-dimensional data set in which the number of potential control variables is larger than the sample size and the conventional nonparametric estimation methods, such as kernel and sieve estimators, do not apply. I apply this orthogonal difference-in-differences estimator to evaluate the effect of tariff reduction on corruption. The empirical results show that tariff reduction decreases corruption in large magnitude.