MARC

 008260126s2025        us                              c    eng  d
■001000017357342
■00520260202103210
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315797500
■035    ▼a(MiAaPQ)AAI32001019
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aVelez  Salamanca,  Amilcar  Enrique.
■24510▼aEssays  in  Econometrics
■260    ▼a[Sl]▼bNorthwestern  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a314  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Canay,  Ivan  A.;Bugni,  Federico  A.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2025.
■520    ▼aThis  dissertation  consists  of  three  chapters,  each  of  which  contributes  to  the  literature  on  debiased  machine  learning,  local  projection,  and  partial  identification.Chapter  1  studies  the  properties  of  debiased  machine  learning  (DML)  estimators  under  a  novel  asymptotic  framework,  offering  insights  for  improving  estimator  performance  in  applications.  DML  is  an  estimation  method  suited  to  economic  models  in  which  the  parameter  of  interest  depends  on  unknown  nuisance  functions  that  must  be  estimated.  It  requires  weaker  conditions  than  previous  methods  while  still  ensuring  standard  asymptotic  properties.  Existing  theoretical  results  do  not  distinguish  between  the  two  alternative  versions  of  DML  estimators,  namely,  DML1  and  DML2.  Under  a  new  asymptotic  framework,  I  demonstrate  that  DML2  asymptotically  dominates  DML1  in  terms  of  bias  and  mean  squared  error,  formalizing  a  previous  conjecture  based  on  the  simulation  results  of  their  relative  performance.  Additionally,  I  provide  guidance  for  improving  DML2  performance  in  applications.Chapter  2  proposes  a  local  projection  residual  bootstrap  method  to  construct  confidence  intervals  for  impulse  response  coefficients  of  AR(1)  models.  My  bootstrap  method  is  based  on  the  local  projection  (LP)  approach  and  involves  a  residual  bootstrap  procedure  applied  to  AR(1)  models.  I  present  theoretical  results  for  my  bootstrap  method  and  proposed  confidence  intervals.  First,  I  prove  the  uniform  consistency  of  the  LP-residual  bootstrap  over  a  large  class  of  AR(1)  models  that  allow  for  a  unit  root,  conditional  heteroskedasticity  of  unknown  form,  and  serially  dependent  shocks.  Then,  I  prove  the  asymptotic  validity  of  the  confidence  intervals  over  the  same  class  of  AR(1)  models.  Finally,  I  show  that  the  LP-residual  bootstrap  provides  asymptotic  refinements  for  confidence  intervals  on  a  restricted  class  of  AR(1)  models  relative  to  those  required  for  the  uniform  consistency  of  my  bootstrap.Chapter  3  (with  Federico  Bugni,  Mengsi  Gao,  and  Filip  Obradovic)  studies  the  statistical  power  properties  of  confidence  intervals  (CIs)  for  a  partially-identified  parameter  of  interest  with  an  interval  identified  set.  We  assume  the  researcher  has  bounds  estimators  to  construct  the  CIs  proposed  by  Stoye  (2009),  referred  to  as  CI1α,  CI2α,  and  CI3α.  We  also  assume  these  estimators  are  "ordered'':  the  lower  bound  estimator  is  less  than  or  equal  to  the  upper  bound  estimator.  Under  these  conditions,  we  establish  two  results.  First,  we  show  that  CI1α  and  CI2α  are  equally  powerful,  and  both  dominate  CI3α.  Second,  we  consider  a  favorable  situation  in  which  there  are  two  possible  bound  estimators  to  construct  these  CIs,  and  one  is  more  efficient  than  the  other.  One  would  expect  that  the  more  efficient  bounds  estimator  yields  more  powerful  inference.  We  prove  that  this  desirable  result  holds  for  CI1α  and  CI2α,  but  not  necessarily  for  CI3α.
■590    ▼aSchool  code:  0163.
■650  4▼aStatistics
■650  4▼aMathematics
■653    ▼aDebiased  machine  learning
■653    ▼aLocal  projection
■653    ▼aPartial  identification
■653    ▼aConfidence  intervals
■653    ▼aEconometrics
■690    ▼a0501
■690    ▼a0463
■690    ▼a0405
■690    ▼a0511
■71020▼aNorthwestern  University▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357342▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서