2020 Fiscal Year Research-status Report
Quantile Treatment Effects estimated using Causal Machine Learning: Theory and Empirics
| Project/Area Number |
20K01593
|
|---|
| Research Institution | Tokyo International University |
|---|
Principal Investigator |
CHEN Jauer 東京国際大学, 国際戦略研究所, 准教授 (70837757)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Keywords | 因果的機械学習 / 分位点処置効果 / 計量経済学 |
|---|
| Outline of Annual Research Achievements |
経済問題の中には、純粋な予測問題に変換して既存の機械学習アルゴリズムで分析できるものもありますが、推定された政策効果やコウザルパラメータに対して理論的に有効な信頼区間を構築する必要がある経済実証研究はまだ多くあります。このように、既存の機械学習手法を因果推論用に改良した研究分野は、因果的機械学習と呼ばれています。計量経済学の文献では、政策効果（平均処置効果、分位点処置効果など）を推定し、推定量の信頼区間を提供する2つの因果的機械学習法が広く使われています。1つはマサチュ一セッツ工科大学の研究チームChernozhukovらが提案した二重バイアス除去機械学習の手順で、もう1つはスタンフォードの研究チームAtheyらが開発した一般化されたコウザルフォレストです。
今年度の研究実績は、二重バイアス除去機械学習による分位点処置効果の推定を確認しました。具体的に言えば、高次元操作変数分位点回帰の枠組みの中で、二重バイアス除去機械学習の性能を調査しました。シミュレーションの結果、本手法は、従来のコントロール変数が多い場合の推定量よりも効率的に推定することがわかりました。さらに、低次元のコウザルパラメータに対応する弱識別のロバスト信頼区間を評価します。多くのテクニカル・コントロールを用いて、確定拠出年金参加による金融資産に対する分位点処置効果を再調査し、そして貯蓄性向による非線形の所得効果を浮き彫りにします。科研費研究助成のおかげで、2021年4月に、次の論文が査読付き国際学術誌の Econometrics にて發表されました: “Debiased/Double Machine Learning for Instrumental Variable Quantile Regressions” (共同研究者うちの一人は米国マイクロソフトリサ一チ社チ一フエコノミストオフィスに在籍)。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の計画通りに、二重バイアス除去機械学習による分位点処置効果の推定を確認し、アルゴリズムを開発しました。
|
| Strategy for Future Research Activity |
無条件分布的処置効果を推定するための因果的機械学習手法を構築します。これは新しい計量経済学的手法であるため、提案された推定量の漸近的な特性を分析します。この目的のために、私は高次元統計学の構成要素と最新の分析ツールに慣れ親しむつもりです。
|
| Causes of Carryover |
翌年度分として請求した助成金と合わせて、備品費用および海外旅費として使用する予定です。
|
Research Products
(3 results)
