Buchumschlag

Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Baiardi, Anna, Clarke, Paul S., Naghi, Andrea A., Polselli, Annalivia
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Econometrics Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

xtdml: Double Machine Learning Estimation to Static Panel Data Models with Fixed Effects in R
von: Polselli, Annalivia
Veröffentlicht: (2025)

Double Machine Learning for Static Panel Models with Fixed Effects
von: Clarke, Paul S., et al.
Veröffentlicht: (2023)

Robust Inference in Panel Data Models: Some Effects of Heteroskedasticity and Leveraged Data in Small Samples
von: Polselli, Annalivia
Veröffentlicht: (2023)

Double Machine Learning meets Panel Data -- Promises, Pitfalls, and Potential Solutions
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

Double Machine Learning of Continuous Treatment Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2026)

Adaptive Principal Component Regression with Applications to Panel Data
von: Agarwal, Anish, et al.
Veröffentlicht: (2023)

Estimating Causal Effects with Double Machine Learning -- A Method Evaluation
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

An Introduction to Double/Debiased Machine Learning
von: Ahrens, Achim, et al.
Veröffentlicht: (2025)

Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
von: Zhou, Guanhao, et al.
Veröffentlicht: (2025)

Mining Causality: AI-Assisted Search for Instrumental Variables
von: Han, Sukjin
Veröffentlicht: (2024)

Bias-Reduced Estimation of Finite Mixtures: An Application to Latent Group Structures in Panel Data
von: Langevin, Raphaël
Veröffentlicht: (2026)

Identification and Debiased Learning of Causal Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2025)

Robust Inference Methods for Latent Group Panel Models under Possible Group Non-Separation
von: Akgun, Oguzhan, et al.
Veröffentlicht: (2025)

A Double Machine Learning Approach to Combining Experimental and Observational Data
von: Parikh, Harsh, et al.
Veröffentlicht: (2023)

Double Machine Learning at Scale to Predict Causal Impact of Customer Actions
von: More, Sushant, et al.
Veröffentlicht: (2024)

Identification of Average Treatment Effects in Nonparametric Panel Models
von: Athey, Susan, et al.
Veröffentlicht: (2025)

Anytime-Valid Inference for Double/Debiased Machine Learning of Causal Parameters
von: Dalal, Abhinandan, et al.
Veröffentlicht: (2024)

Partial Identification under Missing Data Using Weak Shadow Variables from Pretrained Models
von: Chen, Hongyu, et al.
Veröffentlicht: (2026)

Machine-Learning-Assisted Comparison of Regression Functions
von: Yan, Jian, et al.
Veröffentlicht: (2025)

Long Story Short: Omitted Variable Bias in Causal Machine Learning
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2021)

Conformal Prediction for Nonparametric Instrumental Regression
von: Kato, Masahiro
Veröffentlicht: (2026)

Nonparametric Instrumental Variable Analysis Without Structural Equations: Debiased Inference on Functionals of Inverse Problems with No Solutions
von: Shen, Zikai, et al.
Veröffentlicht: (2026)

Double Robust Bayesian Inference on Average Treatment Effects
von: Breunig, Christoph, et al.
Veröffentlicht: (2022)

Learning from Double Positive and Unlabeled Data for Potential-Customer Identification
von: Kato, Masahiro, et al.
Veröffentlicht: (2025)

Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data
von: Yang, Xuelin, et al.
Veröffentlicht: (2025)

Quasi-Bayesian Local Projection Instrumental-Variables Method: Application to Renewable Energy and Electricity Prices
von: Tanaka, Masahiro
Veröffentlicht: (2026)

Entrywise Inference for Missing Panel Data: A Simple and Instance-Optimal Approach
von: Yan, Yuling, et al.
Veröffentlicht: (2024)

Double Debiased Covariate Shift Adaptation Robust to Density-Ratio Estimation
von: Kato, Masahiro, et al.
Veröffentlicht: (2023)

Data-Automated Policy Learning for Nonlinear Welfare
von: Ai, Chunrong, et al.
Veröffentlicht: (2026)

Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction
von: Zeng, Hao, et al.
Veröffentlicht: (2024)

Distributed Causality in the SDG Network: Evidence from Panel VAR and Conditional Independence Analysis
von: Fahim, Md Muhtasim Munif, et al.
Veröffentlicht: (2026)

Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal
von: Athey, Susan, et al.
Veröffentlicht: (2023)

A Practical Guide to Instrumental Variables Methods with Heterogeneous Treatment Effects
von: Słoczyński, Tymon, et al.
Veröffentlicht: (2026)

Cross-Temporal Forecast Reconciliation at Digital Platforms with Machine Learning
von: Rombouts, Jeroen, et al.
Veröffentlicht: (2024)

Asymptotically Unbiased Synthetic Control Methods by Moment Matching
von: Kato, Masahiro, et al.
Veröffentlicht: (2023)

Off-Policy Evaluation via Adaptive Weighting with Data from Contextual Bandits
von: Zhan, Ruohan, et al.
Veröffentlicht: (2021)

Measuring the Driving Forces of Predictive Performance: Application to Credit Scoring
von: Sullivan, Hué, et al.
Veröffentlicht: (2022)

Neighborhood Stability in Double/Debiased Machine Learning with Dependent Data
von: Cao, Jianfei, et al.
Veröffentlicht: (2025)

Conformal Prediction: a Unified Review of Theory and New Challenges
von: Fontana, Matteo, et al.
Veröffentlicht: (2020)

Latent Variable Estimation in Bayesian Black-Litterman Models
von: Lin, Thomas Y. L., et al.
Veröffentlicht: (2025)