教学研究2026-11-06

复旦大学|复旦管院顶刊论文+1!打造实证研究“新工具” | 登顶

复旦大学管理学院2026年11月6日发布,统计与数据科学系肖志国教授与合作者论文在统计学顶刊Journal of the American Statistical Association在线发表,把双重去偏机器学习方法从截面数据拓展到动态面板模型,兼容二元、多值与连续处理变量。

复旦大学院校官方· 来源:复旦大学管理学院官网

复旦大学管理学院2026年11月6日发布科研成果,学院统计与数据科学系肖志国教授与合作者的论文“Double/debiased machine learning for treatment effects in dynamic panels”在统计学领域顶刊Journal of the American Statistical Association在线发表。

研究背景

双向固定效应模型(TWFE)长期被视为社会科学实证研究评估政策效应的“黄金标准”,但2020—2021年AER、Journal of Econometrics发表的多篇论文指出,在交错处理场景下传统TWFE估计会产生严重偏误。后续跟进研究大多局限于二元处理场景,对政府补贴额度、企业研发投入、政策强度等连续、多值处理变量讨论有限。

方法贡献

研究把双重去偏机器学习(DML)方法从传统截面数据拓展到带有双向固定效应的动态面板模型:构建Neyman正交矩条件,设计适配面板差分结构的样本拆分与交叉拟合流程,再结合广义矩估计(GMM),使框架同时兼容二元、多值、连续处理变量;模型非参数部分捕捉高维非线性混淆因素,参数部分刻画处理效应。

识别假设

研究选择动态序贯条件独立假设作为识别基础,可借助SWIG单世界干预图(DAG)开展讨论与核验,使因果逻辑可视化、透明化,便于同行针对因果图结构提出质疑。

实践工具

论文补齐了面板数据TWFE模型缺少完备理论支撑与可复现代码的短板,附带完整仿真代码与实证数据。以“学龄前儿童数量对女性劳动供给”为例,估计出每一年新增学龄前儿童会持续累积压低女性每周工作时长;模拟实验显示DML-GMM在估计量偏差、标准差、均方误差上均大幅下降。

后续计划

DML原始研究团队核心成员已主动联系,希望合作开发配套软件,将该面板DML工具集成到官方平台;下一阶段研究将把框架推广到中介效应、内生性及不确定性识别等更复杂场景。

信息来源
复旦大学管理学院官网
本页面信息由 AI 采集、人工审核后发布,转载标注原始来源;如有出入请以原始来源为准。

教学研究相关资讯