MARC details
| 000 -CABECERA |
|---|
| Longitud fija campo de control |
04178cam a22003857 4500 |
| 001 - NÚMERO DE CONTROL |
|---|
| Número de control |
w23564 |
| 003 - IDENTIFICADOR DELl NÚMERO DE CONTROL |
|---|
| Identificador del número de control |
NBER |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| Fecha y hora de la última transacción |
20211020104855.0 |
| 006 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA - CARACTERÍSTICAS DEL MATERIAL ADICIONAL |
|---|
| Códigos de información de longitud fija - Características del material adicional |
m o d |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA |
|---|
| Campo fijo de descripción física |
cr cnu|||||||| |
| 008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
|---|
| Códigos de información de longitud fija |
210910s2017 mau fo 000 0 eng d |
| 100 1# - PUNTO DE ACCESO PRINCIPAL-NOMBRE DE PERSONA |
|---|
| Nombre de persona |
<a href="Chernozhukov, Victor.">Chernozhukov, Victor.</a> |
| 245 10 - TÍTULO PROPIAMENTE DICHO |
|---|
| Título |
Double/Debiased Machine Learning for Treatment and Structural Parameters / |
| Mención de responsabilidad, etc. |
Victor Chernozhukov, Denis Chetverikov, Mert Demirer, Esther Duflo, Christian Hansen, Whitney Newey, James Robins. |
| 260 ## - PUBLICACIÓN, DISTRIBUCIÓN, ETC. (PIE DE IMPRENTA) |
|---|
| Lugar de publicación, distribución, etc. |
Cambridge, Mass. |
| Nombre del editor, distribuidor, etc. |
National Bureau of Economic Research |
| Fecha de publicación, distribución, etc. |
2017. |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
1 online resource: |
| Otras características físicas |
illustrations (black and white); |
| 490 1# - MENCIÓN DE SERIE |
|---|
| Mención de serie |
NBER working paper series |
| Designación de volumen o secuencia |
no. w23564 |
| 500 ## - NOTA GENERAL |
|---|
| Nota general |
June 2017. |
| 520 3# - NOTA DE SUMARIO |
|---|
| Sumario, etc, |
We revisit the classic semiparametric problem of inference on a low dimensional parameter θ_0 in the presence of high-dimensional nuisance parameters η_0. We depart from the classical setting by allowing for η_0 to be so high-dimensional that the traditional assumptions, such as Donsker properties, that limit complexity of the parameter space for this object break down. To estimate η_0, we consider the use of statistical or machine learning (ML) methods which are particularly well-suited to estimation in modern, very high-dimensional cases. ML methods perform well by employing regularization to reduce variance and trading off regularization bias with overfitting in practice. However, both regularization bias and overfitting in estimating η_0 cause a heavy bias in estimators of θ_0 that are obtained by naively plugging ML estimators of η_0 into estimating equations for θ_0. This bias results in the naive estimator failing to be N^(-1/2) consistent, where N is the sample size. We show that the impact of regularization bias and overfitting on estimation of the parameter of interest θ_0 can be removed by using two simple, yet critical, ingredients: (1) using Neyman-orthogonal moments/scores that have reduced sensitivity with respect to nuisance parameters to estimate θ_0, and (2) making use of cross-fitting which provides an efficient form of data-splitting. We call the resulting set of methods double or debiased ML (DML). We verify that DML delivers point estimators that concentrate in a N^(-1/2)-neighborhood of the true parameter values and are approximately unbiased and normally distributed, which allows construction of valid confidence statements. The generic statistical theory of DML is elementary and simultaneously relies on only weak theoretical requirements which will admit the use of a broad array of modern ML methods for estimating the nuisance parameters such as random forests, lasso, ridge, deep neural nets, boosted trees, and various hybrids and ensembles of these methods. We illustrate the general theory by applying it to provide theoretical properties of DML applied to learn the main regression parameter in a partially linear regression model, DML applied to learn the coefficient on an endogenous variable in a partially linear instrumental variables model, DML applied to learn the average treatment effect and the average treatment effect on the treated under unconfoundedness, and DML applied to learn the local average treatment effect in an instrumental variables setting. In addition to these theoretical applications, we also illustrate the use of DML in three empirical examples. |
| 530 ## - NOTA DE FORMATO FÍSICO ADICIONAL DISPONIBLE |
|---|
| Nota de formato físico adicional disponible |
Hardcopy version available to institutional subscribers |
| 538 ## - NOTA DE DETALLES DEL SISITEMA |
|---|
| Nota de detalles del sistema |
System requirements: Adobe [Acrobat] Reader required for PDF files. |
| 538 ## - NOTA DE DETALLES DEL SISITEMA |
|---|
| Nota de detalles del sistema |
Mode of access: World Wide Web. |
| 588 0# - NOTA DE FUENTE DE LA DESCRIPCIÓN |
|---|
| Nota de fuente de la descripción |
Print version record |
| 690 #7 - CAMPOS LOCALES DE ENCABEZAMIENTO DE MATERIA |
|---|
| Término local o nombre geográfico como elemento de entrada |
C01 - Econometrics |
| Fuente de encabezamiento o término |
Journal of Economic Literature class. |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Chetverikov, Denis. |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Demirer, Mert. |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Duflo, Esther. |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Hansen, Christian. |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Newey, Whitney. |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Robins, James. |
| 710 2# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE ENTIDAD |
|---|
| Nombre de entidad o nombre de jurisdicción como elemento inicial |
National Bureau of Economic Research. |
| 830 #0 - PUNTO DE ACCESO ADICIONAL DE SERIE - TÍTULO UNIFORME |
|---|
| Título uniforme |
Working Paper Series (National Bureau of Economic Research) |
| Designación de volumen o secuencia |
no. w23564. |
| 856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICO |
|---|
| Identificador Uniforme del Recurso (URI) |
<a href="https://www.nber.org/papers/w23564">https://www.nber.org/papers/w23564</a> |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICO |
|---|
| Texto del enlace |
Acceso en línea al DOI |
| Identificador Uniforme del Recurso (URI) |
<a href="http://dx.doi.org/10.3386/w23564">http://dx.doi.org/10.3386/w23564</a> |
| 942 ## - ENTRADA DE ELEMENTOS AGREGADOS (KOHA) |
|---|
| Fuente de clasificaión o esquema |
Dewey Decimal Classification |
| Koha [por defecto] tipo de item |
Working Paper |
