Machine learning approach to the estimation of spillover effects and their structural changes

估计溢出效应及其结构变化的机器学习方法

基本信息

批准号：
22K20154
负责人：
奥井亮
金额：
$ 1.16万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Research Activity Start-up
财政年份：
2022
资助国家：
日本
起止时间：
2022-08-31 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22K20154/
关键词：
パネルデータ波及効果連関構造機械学習構造変化

项目摘要

本研究課題は、パネルデータを用いて経済主体間の波及効果とその連関構造がどのように変化しているかを捕捉する計量経済学の手法の開発を目的とする。どの経済主体がどの経済主体に影響をあたえるのかという波及効果の連関構造が未知であり、さらにそれらが未知の構造変化点において変化する状況を考える。波及効果とその連関構造そして構造変化点を推定する手法を機械学習の手法を発展させることで開発し、漸近理論とシミュレーションによって、その性質を調べる。今年度は、連関構造のある線形パネルデータモデルにおける連関構造と構造変化の推定法を開発した。連関構造が疎である、つまりそれぞれの主体は少数の他の主体からしか直接の波及効果を受けないと仮定する。そして、疎の場合に有用な手法である、罰則付き最小二乗法を一種である LASSOを元にした手法を提案した。提案する手法は、3段階推定量である。罰則つき最小二乗法の一種であるLASSOを基にしたものであるが、LASSOを一回適用するだけでは、推定量が望ましい性質をもたない可能性がある。そこで、LASSO推定量を一段階目として、構造変化点を最小二乗法で再推定する第二段階をおく。さらに、第三段階として、連関構造を二重機械学習法によって再推定する。今年度は、第二段階で得られる構造変化点の推定量が非常に速い収束速度において一致性を持つことを証明した。これは、高次元データにおける構造変化点推定の文献で得られたものよりも速い収束速度であり、パネルデータの特性を利用することにより、可能となったものである。また、関連して、高次元パネルータモデル一般の推定についての研究や、変数が内生性を持つため操作変数が必要となる場合の機械学習法の応用についての研究も進めることができた。

这项研究的目的是开发一种测量经济学方法，该方法可以捕获经济主题之间的连锁反应以及使用面板数据如何更改互动结构。我们考虑了哪种经济实体影响哪种经济实体未知的未知愤怒结构，以及未知结构变化的情况变化。开发一种通过开发机器学习方法并通过渐近理论和仿真来估算涟漪效应，其交互结构以及结构变化的方法。今年，我们开发了一种估计与关节结构的线性面板数据模型中的关联结构和结构变化的方法。假定链接的结构是稀疏的，也就是说，每个受试者仅是少数受试者的直接连锁效应。然后，我们提出了一种基于拉索的方法，这是一种惩罚，这是稀疏情况下的有用方法。该建议方法为三阶段估计数量。它基于Lasso，这是一种罚款的最小正方形方法，但曾经应用Lasso曾经没有估计的属性。因此，将第二阶段设置为套索估计量的第一步，结构变化点由最小平方方法估算。此外，作为第三阶段，联合结构是通过双机器学习方法估算的。今年，它证明了第二阶段获得的结构变化量的估计量在非常快速的收敛速度下具有可差。这是比高维数据中估计的结构变化中获得的收敛速度更快的，并且通过使用面板数据的特征是可能的。相关，当变量具有内部性质和所需的操作变量时，我们能够对高维图模型的一般估计以及机器学习方法的应用进行研究。