Survey
Introduction IID. IID. と は independent. Let and write \begin{align*}Z = (Z_1, \ldots, Z_N) = (X_1, \ldots, X_m, Y_1, \ldots, Y_n)\end{align*} . であるとき， の同時分布は任意の の分布に等しい。ただし， は の permutation. をすべての permut…
Introduction Target model: , . , can be larger than . : number of nonzero elements of . is much smaller than . Auxiliary models: , , . と は一般的に異なる．しかしもし両者が近い値をとるならば，target model をより効率的に推定できるかもしれな…
Introduction モデル： , Doubly high-dimensional setting: , 両方とも high-dimensional. 各 について statistical inference したい． van de Geer et al. (2014 AoS)のような二段階のde-biased LASSOを考える． Belloni et al. (2018 arXiv)も似たような…
Introduction Hoff, Raftery, and Handcock (2002)のlatent space modelでは，あらかじめ次元と距離の定められた潜在空間を基本に，各個人間のconnectionのdpendenceをモデル化している． この論文では，その潜在空間の幾何構造自体を推定することを考える．…
Introduction Genaratice adversarial networks (GAN) を使って経済データをシミュレートして構造推定する． GAN = minimax game genarator: シミュレーションによって仮想データを生成 discriminator: 仮想データと実データを判別 上の minimax 問題を解く…
Introduction Kojevnikov, Marmer & Song (2020) JoE で考察したネットワークデータの bootstrap について． KMS (2020) では Kelejian and Prucha (2007) の spatial HAC に近い HAC 推定量を提案したが，この推定量は positive semidefinite にならない可…
Aronow, Samii & Wang (2020) Design-based inference for spatial experiments with interference, arXiv.
Setting intervention points: . Each point resides in (lattitude and longitude). An experimental design assigns a treatment to each intervention point. . Design-based inference = のみランダム，他の変数はすべて固定値． : potential outcome at…
Average Treatment Effect observed units, : treatment assignment, : potential outcome under , and : vector of baseline covariates. 以外は全て固定の個人属性とする． 観測データ: , where . Stratum of = , where は有限集合． Conditionally indepe…
Section 1. Introduction Sampling-based uncertainty: パラメータ推定のランダムネスは母集団からのランダムなサンプリングによるものと考える．母集団が（無限に）大きいときにはこの考え方は妥当．しかし，母集団として州や国を観測単位とするときには不…
Section 2: A finite population model for quasi-experiments サイズ の有限母集団を考える*1． Binary treatment: , potential outcomes: . Potential outcome は固定値と仮定する． Observed outcome: . 各 が独立にトリートメントを受ける確率を とする…
Setup Undirected network , where set of nodes, and set of edges. とリンクしているnodeの集合 (degree)， とpath lengthが2以上のnodeの集合 (). Binary treatment: , ; observed outcome: ; covariates: . Assumption (Neighborhood interference) ある…
Two-stage randomized experiments units with clusters. = 各クラスターのサイズ (). First-stage: クラスターを2つのグループにランダムに分ける．一方のグループはトリートメントの割合が高く，もう一方のグループはコントロールの割合が高い．グループ …
Model Undirected adjacency matrix: , binary treatment: , unobserved heterogeneity: , and treatment response . 仮定： は i.i.d.， は identically distributed. Nonparametric model: , where , and *1. Sampling Frame 各 について が観測される．デ…
Setup Treatment vector: . Potential outcome: for every individual . を所与として は非確率的 (fixed) とする． のみ確率変数． 以下を定義： for . No-interference の仮定が正しければ， は固定値になる． Observed outcome: Causal parameters: Assig…
Setup Treatments: . ここでは に限らず一般的なトリートメントを考える． Potential outcome: . is the response of when 確率変数 の分布を"design"と呼ぶ． のみを確率変数としてそれ以外は固定する = Design-based uncertainty*1． Exposure Exposure ma…
Setup Finite population of units connected through a network . Treatment vector: . Treatment の観測値：. Potential outcome: . クロスセクションデータで，観測可能な が１パターンしかない場合， に何らかの制約を置かない限り，"exposure effect" …
研究目的 人々が自らが所属するコミュティの他者の行動からどのようにして社会規範を学習・調整するか，を実験によって解明する． 実験デザイン 2012年9月 - 2013年6月にアメリカの中学校で実施． 全体で56の公立中学校を対象とし，そのうち半分の学校をラン…
Setup Population of individuals. 観測される Treatments . Potential outcomes . であるときの potential outcomes を と書く．このとき，観測される outcomes は . Undirected 隣接行列： Observables: *1. 以下を定義： Level Sets: 各 と について，あ…
