Choosing among Regularized Estimators in Empirical Economics: The Risk of Machine Learning
Choosing among Regularized Estimators in Empirical Economics: The Risk of Machine Learning
复制标题
实证经济学中正则化估计量的选择：机器学习的风险
DOI：
--
复制
发表时间：
2019
影响因子：
8
通讯作者：
Maximilian Kasy
中科院分区：
文献类型：
--
作者：
Alberto Abadie;Maximilian Kasy
摘要 实证经济学中的许多设置都涉及大量参数的估计。在这种情况下，结合正则化估计和数据驱动的正则化参数选择的方法是有用的。我们为应用研究人员提供关于正则化估计器和数据驱动的正则化参数选择之间的选择的指导。我们将正则化估计器的风险和相对性能描述为数据生成过程的函数，并表明数据驱动的正则化参数选择产生的估计器的风险一致接近在正则化参数的最佳（不可行）选择下获得的风险。我们使用实证经济学的例子进行说明。
Abstract Many settings in empirical economics involve estimation of a large number of parameters. In such settings, methods that combine regularized estimation and data-driven choices of regularization parameters are useful. We provide guidance to applied researchers on the choice between regularized estimators and data-driven selection of regularization parameters. We characterize the risk and relative performance of regularized estimators as a function of the data-generating process and show that data-driven choices of regularization parameters yield estimators with risk uniformly close to the risk attained under the optimal (unfeasible) choice of regularization parameters. We illustrate using examples from empirical economics.
DOI：
10.1257/aer.p20151023
发表时间：
2015-05
期刊：
The American economic review
影响因子：
--
作者：
Kleinberg J;Ludwig J;Mullainathan S;Obermeyer Z
通讯作者：
Obermeyer Z