Stata：双重机器学习-多维聚类标准误的估计方法-crhdreg

最新推荐文章于 2025-03-01 00:45:00 发布
最新推荐文章于 2025-03-01 00:45:00 发布
阅读量2.1k 收藏 6
点赞数
分类专栏： 机器学习 Stata连享会 文章标签： crhdreg 双重机器学习 多维聚类标准误 stata 连享会
原文链接：https://www.lianxh.cn/news/7519c2f054479.html
版权

全文阅读：Stata：双重机器学习-多维聚类标准误的估计方法-crhdreg| 连享会主页

目录

 

编者按：本文的是如下论文的 Stata 实操版本
Chiang, H.D., K. Kato, Y. Ma, and Y. Sasaki, 2022, Multiway Cluster Robust Double/Debiased Machine Learning. Journal of Business & Economic Statistics, 40(3), pp. 1046-1056. -Link-, -PDF-

 

1. 背景简介

近年来，研究人员在实证研究中经常使用多通道聚类的抽样数据展开分析：如匹配后的雇主-雇员数据、匹配后的学生-教师数据、观察结果按商店和产品双重索引的匹配数据、以及观察结果按市场和产品双重索引的市场份额数据等。

这些数据通常会面临着多维相关性的问题，并不符合独立同分布的性质。并且，如果只在单一层面估计聚类标准误，就会难以兼顾另一层面相关性对结果所造成的偏误。

因此，Chiang et al.（2022）利用 Chernozhukov et al.（2018）开发的 DML工具箱（Double Machine Learning：用于估算和推断具有高维和/或无限维干扰参数的结构参数），提出了一种改进的多向交叉拟合DML估计方法，使之适应多向聚类采样数据，提升估计结果的有效性。

为了推广这一估计方法的使用，Chiang et al.（2022） 编写了 crhdreg 命令，用于估计双重聚类稳健的标准误、以及估计使用偏置机器学习（DML）方法的高维回归结果。

下文将详细介绍 crhdreg 命令的使用方法。

全文阅读：Stata：双重机器学习-多维聚类标准误的估计方法-crhdreg| 连享会主页

双重机器学习 stata教程 手把手教学
weixin_59030591的博客
07-25 1万+
双重机器学习（DDML）的stata教程
如何用聚类模型(k-means)做数据分析？
luoluo96321的博客
12-16 6469
k-means属于无监督学习算法，无监督算法的内涵是观察无标签数据集自动发现隐藏结构和层次，在无标签数据中寻找隐藏规律。聚类模型在数据分析当中的应用：既可以作为一个单独过程，用于寻找数...
探秘双重机器学习：因果推断新视角，揭开模型参数偏误之谜！
weixin_50249953的博客
04-11 5869
如果是这么简单就好了，第二个问题出现了，既然这么好，那么为什么机器学习出现之后，传统经济模型在因果推断领域生生不息，大家可以去了解该方面的文章，因果推断还是传统模型居多，说明什么？第二个方面的话，就想文章中说到的机器学习来研究经济问题是存在偏误的，因果推断注重解释，因此在有限数据的情况下，模型的偏误越小越好，但是机器学习追求泛化能力，因此会要求牺牲训练数据的准确性，来实现泛化能力，如果将机器学习直接使用到参数估计，会参数较大的偏差，并且随着数据量的增大，这个偏差会不断增大的，后续会有公式推导。
Python：从随机实验到双重机器学习
Stata连享会
10-01 196
在经济学中运用因果推断开展研究不可避免会受到混淆变量 (Confounding Variable) 的影响。传统的因果推断方法如双重差分 (DID)、断点回归 (RDD) 等存在一定的局限性，例如解释变量维数过高时的高维陷阱，需要预先设定协变量的函数形式等。双重机器学习 (Double Machine Learning, DML) 弥补了传统因果估计方法和机器学习方法的缺点。
双重机器学习 (DML) 和 Uplift 模型的区别？
最新发布
Y1n的博客
03-01 785
因果效应: 关注的是总体因果效应或条件平均因果效应。ATE (Average Treatment Effect): 干预组与对照组之间的平均差异。CATE (Conditional Average Treatment Effect): 在某些条件下（如协变量特定值）的平均因果效应。可以看到，如果你是想研究一个因素对结果变量的影响，关注的就是CATE，就该使用DML。比如，我想知道做手术与否对病人存活与否的影响。
doubleml-for-py：DoubleML-Python中的双机学习
02-04
DoubleML-Python中的双机学习 Python软件包DoubleML提供了的双重/无偏机器学习框架的 。 它建立在（Pedregosa等，2011）。 请注意，Python软件包是与基于的R twin一起开发的。 R包也可以在和 。 文档和维护 文档和网站： : DoubleML当前由和维护。 可以将错误报告给问题跟踪器，为 。 主要特点 双重/无偏机器学习 部分线性回归模型（PLR） 部分线性IV回归模型（PLIV） 互动回归模型（IRM） 交互式IV回归模型（IIVM） DoubleML的面向对象的实现非常灵活。 模型类DoubleMLPLR ， Doub
因果推断 | 双重机器学习（DML）算法原理和实例应用
taozibaby的博客
07-21 1万+
因果推断 | 双重机器学习（DML）算法原理和实例应用
DoubleML:这是CRAN R软件包系统信息库的只读镜像。 DoubleML — R.主页中的双机学习
03-15
DoubleML-R中的双重机器学习 R包DoubleML提供了的双重/无偏机器学习框架的 。 它建立在和（Lang等人，2019）。 请注意，R包是与基于的python twin一起开发的。 python包也可以在和 。 文档和维护 R中的功能文档： : 用户指南： ： DoubleML当前由和维护。 主要特点 双重/无偏机器学习框架 部分线性回归模型（PLR） 部分线性IV回归模型（PLIV） 互动回归模型（IRM） 交互式IV回归模型（IIVM） 基于的DoubleML的面向对象的实现非常灵活。 模型类DoubleMLPLR ， DoubleMLPLIV ， DoubleMLIRM和DoubleIIVM通过机器学习方法和Neyman正交得分函数的计算来实现对有害功能的估计。 所有其他功能都在抽象基类DoubleML 。 特别是用于估计双重机器学习模型并通过
双重机器学习DML（代码+案例+数据）
09-24
python-双重机器学习（Double Machine Learning, DML）是一种结合了机器学习和因果推断的统计方法，它在经济管理领域有着广泛的应用。这种方法特别适用于处理高维数据和复杂的非线性关系，同时能够提供无偏的参数估计。在经济管理领域，DML 可以用于估计政策效果、市场反应、消费者行为等。例如，研究者可以使用 DML 来评估某一政策变化对经济指标的影响，或者分析市场干预措施对消费者购买行为的改变。DML 通过正交化技术解决了传统机器学习在因果推断中的偏差问题，使得研究者能够在控制混淆变量的同时，准确地估计出核心参数。 本数据以一个双重机器学习的案例展开，展示了双重机器学习的使用方法。
Stata：聚类调整标准误
热门推荐
Hellolijunshy的博客
03-21 2万+
Stata 命令 White (1980) 异方差稳健型标准误 *-截面数据 reg y x, robust *-面板数据 加入反应个体效应的虚拟变量 areg y x, absorb(id) robust 一维聚类调整异方差-序列相关稳健型标准误 (HAC) *-双向固定效应模型 xtset id year xtreg y x i.year, fe robust xtreg y x i.year, fe vce(cluster id) //与上一条命令等价 二维聚类 SE help vc
【Stata中的聚类分析】：深入了解数据分组的多种方法
[【Stata中的聚类分析】：深入了解数据分组的多种方法](https://www.bdc.ca/globalassets/digizuite/35394-plan-marketing-960px-tableaui-segmentation-clientele.png) # 摘要 聚类分析是数据挖掘与统计学中用于...
EconML：ALICE（因果关系和经济学的自动学习和情报）是一项Microsoft研究项目，旨在将人工智能概念应用于经济决策。 它的目标之一是构建一个工具包，将最先进的机器学习技术与计量经济学相结合，以使自动化解决复杂的因果推理问题。 迄今为止，ALICE Python SDK（econml）实现了正交机器学习算法，例如Chernozhukov等人的双重机器学习工作。 该工具包旨在测量某些治疗变量t对结果变量y的因果关系，并控制一组特征x
02-03
EconML：用于基于ML的异构处理效果估计的Python包 EconML是一个Python软件包，用于通过机器学习从观察数据中估计异构处理效果。 此软件包是作为Microsoft Research的一部分设计和构建的，目的是将最新的机器学习技术与计量经济学相结合，以使自动化解决复杂的因果推理问题。 EconML的承诺： 在计量经济学和机器学习的交集中实现文献中的最新技术 保持建模效果异质性的灵活性（通过诸如随机森林，增强，套索和神经网络之类的技术），同时保留对所学模型的因果解释，并经常提供有效的置信区间 使用统一的API 建立在用于机器学习和数据分析的标准Python软件包的基础上 机器学习的最大希望之一就是在众多领域中自动化决策。 许多数据驱动的个性化决策方案的核心是对异构处理效果的估计：对于具有特定特征集的样本，干预对感兴趣结果的因果关系是什么？ 简而言之，该工具包旨在测量某些治疗变量T对结果变量Y的因果效应，控制一组特征X, W以及该效应如何随X 。 所实施的方法甚至适用于观测（非实验或历史）数据集。 为了使估计结果具有因果关系，有些方法假定没有观察到的混杂因素（即， X,
【Stata多变量分析】：掌握回归、因子分析及聚类分析技巧
聚类分析作为数据分析的重要组成部分，本文介绍了聚类的类型、方法以及Stata中的具体操作，并探讨了聚类结果的解释与应用。最后，通过综合案例演练，展示了Stata在经济数据分析和市场研究数据处理
深度解析 LDA 与聚类结合的文本主题分析实战
小高~的博客
12-31 1302
将LDA和K-Means聚类结合，实现自动化文本分类。提供了从数据预处理到模型优化的全流程指导。通过可视化和指标评估帮助选择最优模型参数。
EM算法与平滑分析：打造高性能机器学习模型
本文综述了EM算法和数据平滑分析的理论基础及其在机器学习中的应用。首先，介绍了EM算法的理论原理、收敛性和复杂度分析，并探讨了概率模型和极大似然估计的相关概念。随后，文章详细讨论了平滑技术的分类、参数优化...
面向经济学家的双重机器学习（DML）：实用指南、最佳实践和常见陷阱
EasyMCM的博客
12-17 2713
监督学习（Supervised Learning）定义：使用带有标签的数据训练模型，目标是学习输入（自变量）与输出（因变量）之间的映射关系。应用场景：DML 框架主要依赖监督学习来估计干扰函数，处理连续变量和离散变量的回归任务。根据因变量的类型，选择合适的评估指标来量化样本外性能。这是确保模型选择合理性和可靠性的第一步。定义：将数据分为k个不重叠的子集，每次用其中k−1个子集训练模型，用剩余一个子集测试性能。重复k次后取平均结果作为模型性能。优点。
（全新整理）双重机器学习（DML）：代码+案例+注释
2301_79696294的博客
12-09 752
双重机器学习（Double Machine Learning, DML）是一种结合了机器学习和因果推断的统计方法，它在经济管理领域有着广泛的应用。DML 通过正交化技术解决了传统机器学习在因果推断中的偏差问题，使得研究者能够在控制混淆变量的同时，准确地估计出核心参数。本数据以一个双重机器学习的案例展开，展示了双重机器学习的使用方法。例如，研究者可以使用 DML 来评估某一政策变化对经济指标的影响，或者分析市场干预措施对消费者购买行为的改变。来源于网络的资源版权归出版社或原作者所有，仅供学习，请勿用于商业。
应用双重机器学习（Double Machine Learning）计算额度-响应弹性系数
weixin_39191471的博客
05-26 1284
虽然大多数情况下，是给高风险的客户降低额度，但在大数据风控场景下，我们所谈论的好坏客户、风险高低，都是基于概率层面，所谓高风险客户中，大部分都是未来能正常还款的客户。如果我们关心T对Y的影响，首先使用任意机器学习算法，通过X拟合T，得到一个T的残差(实际T-预测T)，然后通过X再拟合Y，得到一个Y的残差(实际Y-预测Y)，最后通过线性回归，用T的残差拟合Y的残差，回归的系数即我们想要的无偏因果效应。显然，额度的变动会导致客户的借款意愿的变化——提额会提升客户的借款意愿，降额会降低客户的借款意愿。
实证分析-双重机器学习DML分析（代码+案例+注释）
li514006030的博客
09-12 1551
在经济管理领域，DML可以用于估计政策效果、市场反应、消费者行为等。例如，研究者可以使用DML来评估某一政策变化对经济指标的影响，或者分析市场干预措施对消费者购买行为的改变。DML通过正交化技术解决了传统机器学习在因果推断中的偏差问题，使得研究者能够在控制混淆变量的同时，准确地估计出核心参数。：双重机器学习（Double Machine Learning, DML）是一种结合了机器学习和因果推断的统计方法，它在经济管理领域有着广泛的应用。本数据以一个双重机器学习的案例展开，展示了双重机器学习的使用方法。
stata双重机器学习模型代码
02-06
### Stata 中实现双重机器学习模型的方法 在Stata中实现双重机器学习(DML)，可以通过调用特定命令来完成。对于中介效应分析，在Stata中的处理方式不同于R语言，但依然能够通过一些高级统计工具包来进行类似的计算。 为了执行DML框架下的因果推断，可以使用`dml`命令集，该集合由第三方开发者维护并提供了一系列用于实施不同类型的DML算法的功能[^1]。下面给出一段简单的例子展示如何安装必要的软件包以及应用基本的DML流程： #### 安装所需程序包 首先确保已连接到互联网，并运行如下指令以下载和安装所需的库： ```stata ssc install dml, replace ``` #### 基于Stata 的 DML 模型实例代码 这里构建了一个假设性的数据集，并展示了怎样运用DML技术评估治疗变量\(T\)对结果变量\(Y\)的影响，同时考虑协变量矩阵\(\mathbf{X}\)的作用。 ```stata * 创建模拟数据集 clear all set obs 1000 gen T = rbinomial(1,.5) matrix C=(.3,-.2\.7,.9) drawnorm X1 X2 , corr(C) * 设定潜在的结果机制 gen Y=invnormal(uniform())+.8*T-.4*X1+.6*X2+rnormal() * 应用双重/去噪回归方法 (Double/debiased ML estimator) dml y T, controls(X1 X2) model(plogit) cv(5) seed(12345) estat effects ``` 上述脚本创建了一组二元处理指示符\(T\)、两个连续特征\(X_1,X_2\)及其对应的响应值\(Y\)。接着采用逻辑回归作为初步预测器(`model(plogit)`), 并指定交叉验证折叠数为五次(cv(5)) 来拟合最终的目标参数估计量。 请注意，实际操作时应根据具体研究背景调整输入参数的选择，比如改变使用的机器学习模型类型或其他超参数设置等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值