讲座题目： Estimating Counterfactual Matrix Means with Short Panel Data （短面板下反事实矩阵均值的估计）

面向对象：面向全院师生

主讲嘉宾：雷理骅（助理教授） （单位：斯坦福大学商学院）

学科方向：计量经济学

讲座时间：2024年5月28日（周二）上午10:30- 12:00

讲座地点：完美竞技平台app(中国)官方网站407

主办单位：完美竞技平台app(中国)官方网站 华中科技大学现代经济学研究中心 华中科技大学创新发展研究中心 

摘要：

We develop a new, spectral approach for identifying and estimating average counterfactual outcomes under a low-rank factor model with short panel data and general outcome missingness patterns. Applications include event studies and studies of outcomes of "matches" between agents of two types, e.g. workers and firms, typically conducted under less-flexible Two-Way-Fixed-Effects (TWFE) models of outcomes. Given an infinite population of units and a finite number of outcomes, we show our approach identifies all counterfactual outcome means, including those not estimable by existing methods, if a particular graph constructed based on overlaps in observed outcomes between subpopulations is connected. Our analogous, computationally efficient estimation procedure yields consistent, asymptotically normal estimates of counterfactual outcome means under fixed-T (number of outcomes), large-N (sample size) asymptotics. In a semi-synthetic simulation study based on matched employer-employee data, our estimator has lower bias and only slightly higher variance than a TWFE-model-based estimator when estimating average log-wages.

中文摘要：我们开发了一种新的频谱方法，用于在短面板数据和一般结果缺失模式的低阶因子模型下识别和估计平均反事实结果。其应用包括事件研究和两类代理人（如工人和企业）之间 "匹配 "结果的研究，这些研究通常是在灵活性较低的双向固定效应（TWFE）结果模型下进行的。在单位数量无限、结果数量有限的情况下，如果基于子群间观测结果重叠构建的特定图相连，我们的方法就能识别所有反事实结果均值，包括现有方法无法估计的均值。在固定 T（结果数量）、大 N（样本量）渐近线条件下，我们类似的、计算效率高的估计程序可以得到一致的、渐近正态的反事实结果均值估计值。在一项基于匹配雇主-雇员数据的半合成模拟研究中，与基于 TWFE 模型的估计方法相比，我们的估计方法在估计平均对数工资时偏差较小，方差略大。

嘉宾介绍：

雷理骅，斯坦福大学商学院助理教授，加州大学伯克利分校统计学博士。研究方向为因果分析、多重假设检验、机器学习、高维统计推断等。 研究成果发表于AoS、JASA、JRSS-B和JoE,等顶级期刊和国际会议，并长期担任JPE、RFS、JoE、AoS和JASA等期刊审稿人。荣获的荣誉包括NSF CAREER award、Fletcher Jones Faculty Scholar、ICSA Junior Research Award等。