[论文解读] De-biased Machine Learning in Instrumental Variable Models for Treatment Effects

Rahul Singh, Liyang Sun|arXiv (Cornell University)|Jan 1, 2019

Advanced Causal Inference Techniques参考文献 53被引用 8

一句话总结

本文提出了 Auto-DML，一种用于在高维工具变量模型中估计符合者参数（如局部平均处理效应、平均符合者特征及反事实结果分布）的去偏机器学习方法。通过利用机器学习自动通过正则化平衡权重对估计量去偏，该方法在无需人为截断或删失的情况下，实现了相合性、渐近正态性及半参数效率，并将该方法应用于估计 401(k) 参与对净金融资产的影响。

ABSTRACT

We introduce a de-biased machine learning (DML) approach to estimating complier parameters with high-dimensional data. Complier parameters include local average treatment effect, average complier characteristics, and complier counterfactual outcome distributions. In our approach, the de-biasing is itself performed by machine learning, a variant called automatic de-biased machine learning (Auto-DML). By regularizing the balancing weights, it does not require ad hoc trimming or censoring. We prove our estimator is consistent, asymptotically normal, and semi-parametrically efficient. We use the new approach to estimate the effect of 401(k) participation on the distribution of net financial assets.

研究动机与目标

• 解决在估计符合者参数（如局部平均处理效应）时，高维工具变量模型中的偏差问题。
• 消除在处理效应估计中使用平衡权重时对人为截断或删失的依赖。
• 开发一种基于机器学习的去偏机制，确保相合性、渐近正态性及半参数效率。
• 利用高维数据估计 401(k) 参与对净金融资产分布影响。

提出的方法

• 提出一种自动去偏机器学习（Auto-DML）框架，利用机器学习估计工具变量模型中的干扰参数。
• 采用正则化平衡权重对估计量去偏，避免对极端权重进行人工截断或删失。
• 应用双重/去偏机器学习原理，确保估计量渐近正态且半参数高效。
• 使用交叉拟合以减少偏差，并在高维设定下提升有限样本表现。
• 估计符合者参数，包括局部平均处理效应、平均符合者特征及反事实结果分布。
• 将该方法应用于高维数据集，以估计 401(k) 参与对净金融资产的影响。

实验结果

研究问题

• RQ1 能否在无需人为截断的情况下，利用机器学习对高维工具变量模型中的估计量进行去偏？
• RQ2 所提出的 Auto-DML 方法在估计符合者参数时是否实现了相合性、渐近正态性及半参数效率？
• RQ3 401(k) 参与对净金融资产分布的影响如何，且在考虑高维混杂因素后是否仍显著？
• RQ4 在高维条件设定下，该方法在估计平均符合者特征及反事实结果分布方面的表现如何？

主要发现

• 在满足正则性条件时，所提出的 Auto-DML 估计量即使在对混杂因素进行高维调节下，也保持相合性和渐近正态性。
• 通过利用机器学习以最小偏差估计干扰参数，该方法实现了半参数效率。
• 对平衡权重进行正则化消除了对人为截断或删失的需求，提升了有限样本下的稳健性。
• 该方法成功利用高维数据估计了 401(k) 参与对净金融资产的局部平均处理效应。
• 该估计量在符合者特征和反事实结果分布上提供了有效的推断，支持更深入的因果分析。
• 实证应用表明，401(k) 参与对净金融资产具有显著正向影响，且在高维控制下估计结果稳健。