Dyadic double/debiased machine learning for analyzing determinants of free trade agreements
用于分析自由贸易协定决定因素的二元组双重去偏机器学习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：摘要以二元组依赖、网络连边形成和国家间自由贸易协定网络为直接对象。
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…
用于分析自由贸易协定决定因素的二元组双重去偏机器学习
- 研究问题
- 当经济网络数据按二元组观测且存在二元组依赖时，如何使用机器学习估计干扰参数，同时对目标参数进行可靠估计和推断？
- 方法与思路
- 作者提出二元组交叉拟合并结合 Neyman 正交得分，以减少过拟合偏差和处理二元组依赖，再应用于高维网络连边形成模型。
- 材料陈述的贡献
- 摘要称，该框架支持根号 n 一致估计与推断；自由贸易协定应用表明，常规方法可能因点估计偏差或标准误过小而误导结论。
- 阅读关注点
- 应核对交叉拟合如何划分共享节点的二元组、允许的依赖结构、n 的含义与干扰参数收敛条件，以及应用中的识别设定。
- 阅读边界
- 依据的是 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未列出完整正则条件，不能把任意二元组依赖表述理解为完全无条件有效。
原文摘要
This paper presents novel methods and theories for estimation and inference about parameters in econometric models using machine learning for nuisance parameters estimation when data are dyadic. We propose a dyadic cross fitting method to remove over-fitting biases under arbitrary dyadic dependence. Together with the use of Neyman orthogonal scores, this novel cross fitting method enables root-$n$ consistent estimation and inference robustly against dyadic dependence. We illustrate an application of our general framework to high-dimensional network link formation models. With this method applied to empirical data of international economic networks, we reexamine determinants of free trade agreements (FTA) viewed as links formed in the dyad composed of world economies. We document that standard methods may lead to misleading conclusions for numerous classic determinants of FTA formation due to biased point estimates or standard errors which are too small.