DML / Post-double-selection LASSO · empirical-wizard methods

DML / Post-double-selection LASSO是什么？

DML / Post-double-selection LASSO 回答的是控制变量很多、关系可能复杂时，如何估计核心处理变量的因果效应。它让机器学习处理高维控制和预测部分，但仍把目标放在一个低维参数 theta 上。

先用一句话理解

把 DML 想成让机器学习先把 Y 和 D 中能被控制变量解释的部分剥掉，再用剩下的变化估计 D 对 Y 的影响。机器学习负责清理背景噪声，不负责替你创造识别。

什么时候用

判断项	教科书式判断
适合用在	控制变量维度高，且在可忽略混杂或部分线性假设下估计处理效应。
先不要用在	没有可信识别假设，或把机器学习当作自动因果发现。
最关键的前提	核心处理 D 在控制 X 后可视为外生，并且有重叠支持。
读表顺序	先看目标参数和 nuisance 模型，再看 cross-fitting 与稳健标准误。
论文表述边界	DML 改善高维控制下的估计，不替代研究设计。

把它和相近方法分清楚

容易混淆的对象	怎么区分	初学者记法
OLS 加控制	手工选择控制变量。	高维时容易遗漏或过拟合。
LASSO 预测	目标是预测 Y。	不是直接估计因果效应。
DML	用 ML 估 nuisance，再估低维因果参数。	强调正交化和交叉拟合。

核心直觉和模型公式

部分线性 DML

DML 常用的部分线性模型是：

Y_i=\theta D_i+g(X_i)+\varepsilon_i

\[D_i=m(X_i)+v_i\]

机器学习估计 g(X) 和 m(X)，theta 才是研究关心的处理效应。

公式里的符号怎么读

符号	含义	在本页怎么理解
D_i	处理变量	核心解释变量或政策变量。
Y_i	结果变量	研究要解释的结果。
X_i	高维控制	大量协变量、固定效应或特征。
g(X), m(X)	nuisance 函数	由机器学习估计的预测部分。
θ	目标效应	控制高维 X 后 D 对 Y 的影响。

专业使用口径

专业 DML 报告要把机器学习降到辅助位置，把识别假设放回中心。

口径	专业写法
目标参数	明确 theta 是 ATE、LATE 还是部分线性系数。
学习器	说明使用 LASSO、随机森林或 boosting 等 nuisance 模型。
cross-fitting	说明是否样本拆分，避免过拟合影响 theta。
识别假设	声明可忽略混杂、重叠和稳定处理等前提。

一步一步做：从问题到结果的五步

步骤	这一页具体做什么	做到什么程度才算读懂
1. 明确因果问题	D 对 Y 的哪个效应。	先有问题再选 ML。
2. 准备控制变量	X 应覆盖主要混杂来源。	DML 不会补不存在的变量。
3. 估计 nuisance	用 ML 预测 Y 和 D 中可由 X 解释的部分。	这是辅助步骤。
4. 正交化估计 θ	用残差化后的变化估目标效应。	降低 nuisance 误差影响。
5. 做敏感性	换学习器、fold、控制集和样本。	结果应对合理设定稳定。

结果怎么读：先读口径，再读数字

本页案例读表时，先记住这个口径：残差化后系数 = 0.0033；先用控制变量解释 y 和 DFI，再回归残差。

读表顺序	本页怎么读	不要这样读
先看 theta	目标参数是什么。	不要被模型名带偏。
再看识别假设	控制 X 后 D 是否可信。	这是因果关键。
然后看 cross-fitting	是否避免同样本过拟合。	DML 标准做法需要它。
最后看学习器敏感性	换 ML 后结果是否稳定。	不能只报一个最好结果。

初学者最容易错在哪里

误读	为什么错
把 DML 当自动因果机器	错。识别假设仍然要研究者给出。
只报告预测精度	不够。目标是 theta 的因果解释。
没有 cross-fitting	风险高。过拟合会污染效应估计。
控制变量缺关键混杂	错。ML 不能预测没有进入数据的东西。

先看这个案例的结论

残差化后系数 = 0.0033；先用控制变量解释 y 和 DFI，再回归残差。
残差化 p 值 = 0.0016；Post-double-selection/DML 的教学近似。
基准 OLS 系数 = 0.0032；用于比较高维控制处理前后的变化。
这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。

变量要求和案例口径

字段	口径
数据	CSMAR 风格 A 股企业创新面板
原始样本	196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准
因变量	patent_count；回归页通常使用 ln(1 + patent_count)
核心解释变量	dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index
控制变量	roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age
输出文件	dml_results.csv
角色要求	因变量、核心解释变量
依赖包	pdslasso、lassopack

实际代码

下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。

import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year

global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0

pdslasso $y $x ($controls i.year), partial(i.year) cluster(firm_id)
export delimited using "$JOB_DIR/dml_results.csv", replace

实际输出表

这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。

指标	数值	解释
样本	1200 obs / 196 firms / 2015-2020	来自共用案例 CSV
因变量	ln(1 + patent_count)	企业创新产出
核心解释变量	dfi_index	数字普惠金融指数
输出文件	dml_results.csv	empirical-wizard 对应方法产物
残差化后系数	0.0033	先用控制变量解释 y 和 DFI，再回归残差
残差化 p 值	0.0016	Post-double-selection/DML 的教学近似
基准 OLS 系数	0.0032	用于比较高维控制处理前后的变化
处理变量残差 SD	17.8112	确认残差化后仍有可用变异

案例图

这是一张由同一份案例数据生成的页面内诊断图。

DML / Post-double-selection LASSO 的共用案例输出图。

论文里怎么写

本文在共用企业面板样本上报告DML / Post-double-selection LASSO，核心输出见 dml_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。

检查清单

先明确高维控制变量集合，DML 不是自动替代研究设计。
检查交叉拟合和正交化步骤，避免同一数据同时训练和估计造成过拟合。
机器学习模型只负责净化控制变量，核心解释仍然是因果参数。

返回教程库 · 查看共用案例