计量经济学中的双重机器学习方法.docxVIP

计量经济学中的双重机器学习方法

一、引言：计量经济学的高维困境与方法革新

计量经济学的核心目标是识别经济变量之间的因果关系，为政策制定和经济决策提供实证依据。在传统实证研究中，研究者通常依赖普通最小二乘法、工具变量法等经典方法，通过控制有限的观测变量来排除混淆因素的干扰。然而，随着大数据时代的到来，经济研究中可获取的变量维度不断增加——例如在微观个体研究中，可能涉及数百个个人特征、家庭背景、地区环境变量；在宏观经济研究中，也会面临海量的政策、产业、市场数据。传统计量方法在处理这类高维数据时，往往陷入“维度灾难”的困境：一方面，过多的控制变量会导致多重共线性问题，使得参数估计的方差大幅增加，结果缺乏统计显著性；另一方面，若人为筛选控制变量，又可能因遗漏重要混淆因素而产生内生性偏差，影响因果识别的准确性（Chernozhukovetal.,2018）。

正是在这一背景下，双重机器学习方法应运而生，它将机器学习的高维预测能力与计量经济学的因果识别框架相结合，为解决高维数据下的因果效应估计问题提供了全新的思路。作为计量经济学与机器学习交叉融合的代表性成果，双重机器学习不仅突破了传统方法的维度限制，还为异质性因果效应识别、内生性缓解等难题提供了可行的解决方案，近年来已成为实证经济研究中的热门方法（AtheyImbens,2019）。

二、双重机器学习的核心内涵与理论基础

（一）从