English(EN) Double Machine Learning for Panel Data: Identification, Specification, and a Bank Regulation Effect

新的双重机器学习方法增强面板数据分析

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-06 05:00

研究人员开发了一种名为双重机器学习（DML）的新方法，以提高面板数据估计的稳健性和因果解释性。该方法以2018年美国银行业监管作为原型处理进行了测试。研究发现，估计值因资产规模分类和先前增长而异，调整会影响不同机器学习器上的加权估计值。研究结果强调了解决设定问题以及函数形式稳健性与因果识别之间联系在实证分析中的重要性。 AI

影响为经济和金融数据分析中的因果推断引入了更稳健的方法。

排序理由详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 25 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Ali Habibnia, Esfandiar Maasoumi, Gaurav Shah · 2026-11-06 05:00

面板数据的双重机器学习：识别、设定与银行监管效应

arXiv:2611.07249v1 Announce Type: cross Abstract: This paper examines robustness and causal interpretation of panel estimates using double/debiased machine learning. The prototype treatment setup is the 2018 US banking regulation. Under common treatment timing, we characterize id…

本文如何被排名

报道来源 [1]

面板数据的双重机器学习：识别、设定与银行监管效应

相关实体

相关话题