ترجمه فارسی مقاله تخمین و استنباط برای عملکردهای علی با داده های خوشه ای چند جانبه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Estimation and Inference for Causal Functions with Multiway Clustered Data
عنوان مقاله به فارسی تخمین و استنباط برای عملکردهای علی با داده های خوشه ای چند جانبه
نویسندگان Nan Liu, Yanbo Liu, Yuya Sasaki
فرمت مقاله انگلیسی PDF
تعداد صفحات 67
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Econometrics,Methodology,Machine Learning,اقتصاد سنج , روش شناسی , یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper proposes methods of estimation and uniform inference for a general class of causal functions, such as the conditional average treatment effects and the continuous treatment effects, under multiway clustering. The causal function is identified as a conditional expectation of an adjusted (Neyman-orthogonal) signal that depends on high-dimensional nuisance parameters. We propose a two-step procedure where the first step uses machine learning to estimate the high-dimensional nuisance parameters. The second step projects the estimated Neyman-orthogonal signal onto a dictionary of basis functions whose dimension grows with the sample size. For this two-step procedure, we propose both the full-sample and the multiway cross-fitting estimation approaches. A functional limit theory is derived for these estimators. To construct the uniform confidence bands, we develop a novel resampling procedure, called the multiway cluster-robust sieve score bootstrap, that extends the sieve score bootstrap (Chen and Christensen, 2018) to the novel setting with multiway clustering. Extensive numerical simulations showcase that our methods achieve desirable finite-sample behaviors. We apply the proposed methods to analyze the causal relationship between mistrust levels in Africa and the historical slave trade. Our analysis rejects the null hypothesis of uniformly zero effects and reveals heterogeneous treatment effects, with significant impacts at higher levels of trade volumes.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله روشهای تخمین و استنباط یکنواخت برای یک طبقه کلی از عملکردهای علی ، مانند اثرات درمانی متوسط ​​مشروط و اثرات درمانی مداوم ، تحت خوشه بندی چند جانبه ارائه شده است.عملکرد علی به عنوان یک انتظار مشروط از یک سیگنال تنظیم شده (Neyman-orthogonal) مشخص می شود که به پارامترهای مزاحمت با ابعاد بالا بستگی دارد.ما یک روش دو مرحله ای را پیشنهاد می کنیم که در مرحله اول از یادگیری ماشین برای برآورد پارامترهای مزاحم با ابعاد بالا استفاده می کند.مرحله دوم ، سیگنال تخمین نیان-ارتو را بر روی فرهنگ لغت توابع پایه که بعد با اندازه نمونه رشد می کند ، برآورد می کند.برای این روش دو مرحله ای ، ما هر دو نمونه کامل و رویکرد تخمین متناسب با چند راه را پیشنهاد می کنیم.یک تئوری حد عملکردی برای این برآوردگرها به دست می آید.برای ساخت باندهای اعتماد به نفس یکنواخت ، ما یک روش تغییر شکل مجدد جدید به نام Bootstrap Score Cluster-Robust Sieve Score را ایجاد می کنیم ، که Bootstrap Seie Score (چن و کریستنسن ، 2018) را به تنظیم جدید با خوشه بندی چند جانبه گسترش می دهد.شبیه سازی های عددی گسترده به نمایش می گذارد که روش های ما به رفتارهای نمونه محدود و مطلوب می رسند.ما روشهای پیشنهادی را برای تجزیه و تحلیل رابطه علی بین سطح بی اعتمادی در آفریقا و تجارت برده های تاریخی اعمال می کنیم.تجزیه و تحلیل ما فرضیه تهی از اثرات یکنواخت صفر را رد می کند و اثرات درمانی ناهمگن را نشان می دهد ، با تأثیرات قابل توجهی در سطوح بالاتر حجم تجارت.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.