深度学习个体异质性：自动推断框架

Oct, 2020

深度学习个体异质性：自动推断框架

Deep Learning for Individual Heterogeneity: An Automatic Inference Framework

Max H. Farrell, Tengyuan Liang, Sanjog Misra

TL;DR本文介绍了一种利用机器学习进行经济模型参数估计和推断的方法，并使用深度学习来对经济模型中的异质性进行结构化建模，降低了预测误差。同时利用一个新的影响函数计算方法来完成推断。应用于短期贷款广告实验中，得出了可靠的经济学意义的估计和推论。

Abstract

We develop methodology for estimation and inference using machine learning to enrich economic models. Our framework takes a standard econo

machine learning economic models parameter functions inference deep learning

发现论文，激发创造

无模型预测及不确定性评估

利用深度神经网络学习目标函数的深度非参数回归近年来成为研究的焦点，尽管在理解收敛速度方面取得了相当的进展，但缺乏渐近性质阻碍了严格的统计推断。为填补这一空白，我们提出了一种新的框架，将深度估计范式转化为一种有利于条件均值估计的平台，利用条件扩散模型。在理论上，我们为条件扩散模型开发了端到端的收敛速度，并建立了生成样本的渐近正态性。因此，我们可以构建置信区间，便于进行鲁棒的统计推断。此外，通过数值实验，我们在实践中检验了我们提出的方法的有效性。

May, 2024

深度学习解决和估计动态宏观金融模型

本文介绍利用深度学习解决和估计金融经济学中的经典连续时间一般均衡模型的方法，并以两个实例说明其优点。

May, 2023

计量经济学中的因果推断和数据融合

本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

Dec, 2019

金融中的深度学习

使用深度学习层次模型探索金融预测和分类问题，应用深度学习方法可以比现有标准方法更好地解决大规模数据集中的复杂数据交互问题，以便探测和利用当前任何金融经济理论看不到的数据交互。

Feb, 2016

深度展开：基于模型的启发式深度架构生成

本文介绍如何在深度神经网络中引入基于模型的方法以及相关推理算法，并展示如何将传统的网络视为马尔科夫随机场的均场推理，在此基础上实现非负矩阵分解，得到一种新类型的深度神经网络以及有效的训练方法。通过语音增强实验得到了与传统神经网络相似的结果，但参数数量却大大减少。

Sep, 2014

深度网络中的不确定性建模：短期和嘈杂序列的预测

本研究探讨了使用深度学习模型（配合异方差模型）进行金融预测的应用，并且新增了在产品中摒弃低可信度预测的机制来提升用户体验。

Jul, 2018

基于高效影响函数的统计学习揭秘

本文介绍了如何利用 efficient influence function 来构建基于统计 / 机器学习的 estimators，并讨论了这些 estimators 表现良好的前提条件。

Jul, 2021

神经网络梯度学习黑盒函数接口

提出了一种基于端到端训练的神经网络的方法，该方法通过将黑盒函数的功能与可微分的神经网络进行逼近，以驱动神经网络遵守黑盒函数接口。在推理时，将不可微分的外部黑盒替换为其可微分的估计器，通过此方法，可以在无需中间标签的情况下，训练一个神经网络，从而计算黑盒功能的输入，并且这种综合模型比完全可微分的模型泛化效果更好，并且相对于基于强化学习的方法学习效率更高。

Jan, 2019

深度学习用于因果推断：异质处理效应估计体系结构的比较

通过开发一个全连接的神经网络，实现了 Bayesian Causal Forest 算法的神经网络因果推断架构，并将该方法应用于研究应激对睡眠的影响，展示了在模拟环境中性能的提升。

May, 2024

基于学生 - 老师框架的随机特征模型的在线学习

研究了两层神经网络中过参数化对学生 - 教师框架的影响，发现只有当学生的隐藏层数量指数级大于输入维度时，才能达到完美的泛化。同时计算了其渐进的泛化误差。

Mar, 2023