[論文レビュー] Multiway Cluster Robust Double/Debiased Machine Learning

Harold D. Chiang, Kengo Kato+2 more|arXiv (Cornell University)|Sep 8, 2019

Consumer Market Behavior and Pricing参考文献 23被引用数 15

ひとこと要約

本稿は、多方向クラスタリング標本に拡張された二重/バイアス補正機械学習（DML）フレームワークを提案する。これは、新規の多方向クロスフィーティングアルゴリズムとクラスターロバスト分散推定法を提案することで、DMLを多方向クラスタリングに拡張する。この手法は、標準的なDMLの正則性条件のもとで漸近正規性および√n一致性を維持する。シミュレーションおよび実応用を通じて、需要モデルにおける構造的パラメータの標準誤差がより大きく、信頼性が高くなることが示された。

ABSTRACT

This paper investigates double/debiased machine learning (DML) under multiway clustered sampling environments. We propose a novel multiway cross fitting algorithm and a multiway DML estimator based on this algorithm. We also develop a multiway cluster robust standard error formula. Simulations indicate that the proposed procedure has favorable finite sample performance. Applying the proposed method to market share data for demand analysis, we obtain larger two-way cluster robust standard errors than non-robust ones.

研究の動機と目的

• データが複数のグループ構造にまたがって依存する、多方向クラスタリング標本環境における二重/バイアス補正機械学習（DML）の拡張。
• 多方向クラスタリング下でもDMLの二重ロバスト性および漸近正規性を保つ、新規の多方向クロスフィーティングアルゴリズムの開発。
• クラスタ内相関に関するパラメトリック仮定を必要とせず、複雑な依存構造を適切に扱う多方向クラスターロバスト分散推定法の導出。
• i.i.d.ベースのDMLとほぼ同一の正則性条件のもとで、提案手法の理論的妥当性を確立し、広範な適用可能性を確保。
• シミュレーションおよび市場シェアデータへの実応用を通じて、有限標本における性能と実用的意義を示す。

提案手法

• 複数のクラスタ次元にわたってデータを分割する多方向クロスフィーティングアルゴリズムを提案。これにより、ネイジス推定器が独立した標本で推定され、二重ロバスト性が維持される。
• 交換可能配列のAldous-Hoover表現を用いて、多方向クラスタリングデータへのNeyman直交性条件の適応。
• Cameronら（2011）の推定法を高次元、機械学習ベースのDML設定に一般化した多方向クラスターロバスト分散推定法を導出。
• 条件付き期待値フレームワークを用いて、影響関数をクラスタ構成ごとに分解し、分離可能な交換可能性のもとで一貫性のある分散推定を可能にする。
• マルチプライヤー中心極限定理を適用し、多方向クラスタリング下でのDML推定量の漸近正規性を確立。
• 機械学習によるネイジスパラメータ推定と直交推定方程式を組み合わせた二重ロバスト推定方程式を採用。

実験結果

リサーチクエスチョン

• RQ1 二重/バイアス補正機械学習は、二重ロバスト性や漸近正規性を損なわずに、多方向クラスタリングデータに拡張可能か？
• RQ2 複数のクラスタ次元にわたるクロスフィーティングは、どのように多方向クラスタリングに適応され、複数のクラスタ次元で訓練データと推定データの独立性が保証されるか？
• RQ3 高次元DML設定において、複数のクラスタ構造にわたる依存性を適切に扱うクラスターロバスト分散推定法の正しい形は何か？
• RQ4 提案手法は、標準的なDML正則性条件のもとで、多方向クラスタリングデータに適用された場合に、√n一致性および漸近正規性を維持するか？
• RQ5 有限標本において、多方向クラスターロバスト標準誤差は、非ロバスト標準誤差と比較してどのように異なるか、特に実需分析において。

主な発見

• 提案された多方向DML推定量は、i.i.d.ベースのDMLと同一の正則性条件のもとで、多方向クラスタリング下でも漸近正規性および√n一致性を達成する。
• シミュレーションでは、提案手法が良好な有限標本性能を示し、名目水準に近いカバレッジ率と低減したサイズの歪みを示した。
• 市場シェアデータへの実応用において、価格係数の二方向クラスターロバスト標準誤差は、非ロバスト標準誤差よりも顕著に大きかった。これは、推定においてクラスタリングの影響が重要であることを示している。
• 多方向クラスターロバスト分散推定法は、市場および製品の両方のクラスタにおける依存性を適切に扱い、推定の信頼性を向上させた。
• 高次元ネイジスパラメータを機械学習で推定しても、この手法は二重ロバスト性および弱い正則性条件のもとでの有効な推定を維持する。
• 理論的結果はAldous-Hoover表現に基づいており、多方向クラスタリングにおける依存構造を厳密に取り扱う基盤を提供する。