ترجمه فارسی مقاله CoCoLASSO مضاعف/منقبض اثرات درمان با متغیرهای کنترلی با ابعاد بالا نادرست

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 Double/Debiased CoCoLASSO of Treatment Effects with Mismeasured High-Dimensional Control Variables
عنوان مقاله به فارسی CoCoLASSO مضاعف/منقبض اثرات درمان با متغیرهای کنترلی با ابعاد بالا نادرست
نویسندگان Geonwoo Kim, Suyong Song
فرمت مقاله انگلیسی PDF
تعداد صفحات 33
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Econometrics,Methodology,اقتصاد سنج , روش شناسی ,
توضیحات Submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 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

We develop an estimator for treatment effects in high-dimensional settings with additive measurement error, a prevalent challenge in modern econometrics. We introduce the Double/Debiased Convex Conditioned LASSO (Double/Debiased CoCoLASSO), which extends the double/debiased machine learning framework to accommodate mismeasured covariates. Our principal contributions are threefold. (1) We construct a Neyman-orthogonal score function that remains valid under measurement error, incorporating a bias correction term to account for error-induced correlations. (2) We propose a method of moments estimator for the measurement error variance, enabling implementation without prior knowledge of the error covariance structure. (3) We establish the $\sqrt{N}$-consistency and asymptotic normality of our estimator under general conditions, allowing for both the number of covariates and the magnitude of measurement error to increase with the sample size. Our theoretical results demonstrate the estimator's efficiency within the class of regularized high-dimensional estimators accounting for measurement error. Monte Carlo simulations corroborate our asymptotic theory and illustrate the estimator's robust performance across various levels of measurement error. Notably, our covariance-oblivious approach nearly matches the efficiency of methods that assume known error variance.

چکیده به فارسی (ترجمه ماشینی)

ما یک برآوردگر برای اثرات درمانی در تنظیمات با ابعاد بالا با خطای اندازه گیری افزودنی ، یک چالش رایج در اقتصاد سنجی مدرن ایجاد می کنیم.ما Lasso با شرط محدب دوگانه/debiased (Cocolasso دوگانه/debiased) را معرفی می کنیم ، که چارچوب یادگیری ماشین مضاعف/debiased را برای اسکان متغیرهای ناسازگار گسترش می دهد.مشارکتهای اصلی ما سه برابر است.(1) ما یک تابع نمره Neyman-orthogonal را ایجاد می کنیم که تحت خطای اندازه گیری معتبر است ، که شامل یک اصطلاح تصحیح تعصب برای همبستگی های ناشی از خطا است.(2) ما روشی از برآوردگر Moments را برای واریانس خطای اندازه گیری پیشنهاد می کنیم ، و امکان اجرای بدون اطلاع قبلی از ساختار کواریانس خطا را فراهم می کنیم.(3) ما $ \ sqrt {n} $-قوام و نرمال بودن بدون علامت برآوردگر خود را در شرایط عمومی تعیین می کنیم ، که امکان هم تعداد متغیرهای متغیرهای متغیرها و بزرگی خطای اندازه گیری را فراهم می کند تا با اندازه نمونه افزایش یابد.نتایج نظری ما بازده برآوردگر را در کلاس برآوردگرهای با ابعاد بالا منظم که برای خطای اندازه گیری حساب می کنند ، نشان می دهد.شبیه سازی مونت کارلو نظریه بدون علامت ما را تأیید کرده و عملکرد قوی برآوردگر را در سطوح مختلف خطای اندازه گیری نشان می دهد.نکته قابل توجه ، رویکرد کواریانس-مکالمه ما تقریباً با کارآیی روش هایی که واریانس خطای شناخته شده را فرض می کنند مطابقت دارد.

📚 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.