مقاله مدل متوسط و یادگیری ماشین مضاعف

چکیده

This paper discusses pairing double/debiased machine learning (DDML) with stacking, a model averaging method for combining multiple candidate learners, to estimate structural parameters. We introduce two new stacking approaches for DDML: short-stacking exploits the cross-fitting step of DDML to substantially reduce the computational burden and pooled stacking enforces common stacking weights over cross-fitting folds. Using calibrated simulation studies and two applications estimating gender gaps in citations and wages, we show that DDML with stacking is more robust to partially unknown functional forms than common alternative approaches based on single pre-selected learners. We provide Stata and R software implementing our proposals.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، جفت شدن یادگیری ماشین مضاعف/debiased (DDML) با انباشت ، یک روش میانگین مدل برای ترکیب چندین زبان آموز نامزد ، برای برآورد پارامترهای ساختاری بحث شده است.ما دو رویکرد انباشت جدید را برای DDML معرفی می کنیم: پله کوتاه از مرحله متناسب DDML بهره برداری می کند تا بار محاسباتی را به میزان قابل توجهی کاهش دهد و انباشت های جمع شده وزن های انباشت مشترک را بر روی چین های متناسب متناسب انجام می دهد.با استفاده از مطالعات شبیه سازی کالیبره شده و دو برنامه کاربردی که شکاف های جنسیتی را در استناد و دستمزدها تخمین می زند ، ما نشان می دهیم که DDML با انباشت نسبت به روشهای جایگزین متداول بر اساس زبان آموزان از پیش انتخاب شده ، به شکل های عملکردی جزئی ناشناخته قوی تر است.ما نرم افزار Stata و R را ارائه می دهیم که پیشنهادات خود را اجرا می کنند.