[논문 리뷰] Multiway Cluster Robust Double/Debiased Machine Learning

Harold D. Chiang, Kengo Kato외 2명|arXiv (Cornell University)|2019. 09. 08.

Consumer Market Behavior and Pricing참고 문헌 23인용 수 15

한 줄 요약

이 논문은 다중 클러스터링 샘플링 환경으로의 더블/디biased 머신러닝(DML) 확장을 위해 다중 클러스터링에 적합한 새로운 다중 크로스피팅 알고리즘과 클러스터-로버스트 분산 추정량을 제안하는 다중 클러스터링에 강건한 더블/디biased 머신러닝(DML) 프레임워크를 소개한다. 이 방법은 표준 DML 정규 조건 하에서 점근 정규성과 루트-n 일致성을 유지하며, 시뮬레이션과 실증 적용을 통해 수요 모델에서 구조적 파ameter의 표준오차가 더 크고 신뢰할 만한 것으로 나타났다.

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.

연구 동기 및 목표

• 데이터가 다중 그룹화 구조를 통해 상관관계를 가지는 환경에서 더블/디biased 머신러닝(DML)을 다중 클러스터링 샘플링 환경으로 확장하는 것.
• 다중 클러스터링 하에서 DML의 이중강건성과 점근 정규성을 유지하는 새로운 다중 크로스피팅 알고리즘을 개발하는 것.
• 내부 클러스터 상관관계에 대한 파rametric 가정 없이 복잡한 의존 구조를 반영하는 다중 클러스터링에 강건한 분산 추정량을 유도하는 것.
• i.i.d.-기반 DML와 거의 동일한 정규 조건 하에서 제안된 방법의 이론적 타당성을 확립하여 광범위한 적용 가능성을 보장하는 것.
• 시뮬레이션과 시장 점유율 데이터에 대한 실증 적용을 통해 유한 표본 성능과 실용적 관련성을 입증하는 것.

제안 방법

• 다중 클러스터 차원에 따라 데이터를 분할하는 다중 크로스피팅 알고리즘을 제안하여, 부수적 추정량이 독립된 샘플에서 추정되도록 하여 이중강건성을 유지하는 것.
• 교환가능 배열을 위한 Aldous-Hoover 표현을 활용하여 다중 클러스터링 데이터에 대해 Neyman 직교 조건을 적응시킨다.
• Cameron 등(2011)의 추정량을 고차원, 머신러닝 기반 DML 환경으로 일반화한 다중 클러스터링에 강건한 분산 추정량을 도출한다.
• 조건부 기대값 프레임워크를 사용해 영향 함수를 클러스터 구성에 따라 분해하여, 분리 가능한 교환가능성 하에서 일致한 분산 추정이 가능하도록 하는 것.
• 멀티플라이어 중심극한정리를 적용하여 다중 클러스터링 하에서 DML 추정량의 점근 정규성을 확립하는 것.
• 머신러닝을 통해 부수적 파ameter를 추정하고, 직교 추정방정식을 결합하여 오차를 최소화하는 이중강건 추정방정식을 활용하는 것.

실험 결과

연구 질문

• RQ1 이중강건성 또는 점근 정규성을 희생시키지 않고 더블/디biased 머신러닝을 다중 클러스터링 데이터로 확장할 수 있는가?
• RQ2 다중 클러스터 차원에서 훈련 및 추정 샘플 간의 독립성을 보장하기 위해 크로스피팅을 어떻게 다중 클러스터링에 적응시킬 수 있는가?
• RQ3 고차원 DML 환경에서 다중 클러스터링에 의존성 구조를 반영하는 올바른 클러스터-로버스트 분산 추정량의 형태는 무엇인가?
• RQ4 제안된 방법이 다중 클러스터링 데이터에 적용되었을 때 표준 DML 정규 조건 하에서 루트-n 일치성과 점근 정규성을 유지하는가?
• RQ5 특히 실증 수요 모델에서 다중 클러스터링에 강건한 표준오차는 유한 표본에서 비로버스트 표준오차와 어떻게 비교되는가?

주요 결과

• 제안된 다중 DML 추정량은 i.i.d.-기반 DML와 동일한 정규 조건 하에서 다중 클러스터링 조건에서도 점근 정규성과 루트-n 일치성을 달성한다.
• 시뮬레이션 결과, 제안된 방법은 우수한 유한 표본 성능을 보이며, 명목 수준에 가까운 커버리지 비율과 감소된 크기 왜곡을 보였다.
• 시장 점유율 데이터에 대한 실증 적용에서, 두 방향 클러스터링에 강건한 표준오차는 비로버스트 표준오차보다 상당히 크게 나타났으며, 이는 추정에서 클러스터링의 중요성을 시사한다.
• 다중 클러스터링에 강건한 분산 추정량은 시장 및 제품 클러스터 양쪽 모두에서의 의존성을 성공적으로 반영하여 추정 신뢰도를 향상시켰다.
• 고차원 부수적 파am터를 머신러닝을 통해 추정함에도 불구하고 이 방법은 이중강건성과 약한 정규 조건 하에서도 유효한 추론을 유지한다.
• 이론적 결과는 다중 클러스터링의 의존 구조를 철저히 다룰 수 있는 Aldous-Hoover 표현에 기반하여, 엄밀한 처리가 가능하다.