ARTICLE · 1256181

论文复刻模板资料--当AI 智能体遇见Lasso机器学习因果推断--案例指南

发布时间：2026-10-26 23:11:45 最近访问：2026-10-26 23:11:46

论文复刻模板资料--当AI 智能体遇见Lasso机器学习因果推断--案例指南

本文采用AI智能体（ClaudeCode）进行Lasso机器学习因果推断专题论文复刻。

Lasso机器学习因果推断方法简介

一、核心思想

论文使用 Double-Selection Lasso (DS-Lasso) 和 Partialing-Out Lasso (PO-Lasso) 两种机器学习方法，解决高维控制变量下的模型设定偏误问题，核心文献为 Chernozhukov et al. (2015)。

二、为什么要用Lasso？

问题	Lasso的解决方案
维度诅咒：控制变量过多导致估计偏误、多重共线性	通过正则化自动筛选重要变量，保持稀疏性
非线性关系：经济变量存在高阶项、交叉项	纳入平方项和交乘项后由Lasso自动筛选
模型设定偏误：遗漏重要变量或错误设定函数形式	DS-Lasso/PO-Lasso保证处理效应估计的一致性

三、两种方法的原理

1. Double-Selection Lasso (双重选择Lasso)

两步筛选 + Post-Lasso回归：

第一步：用Lasso回归 处理变量(PE) ~ 控制变量及其交乘/平方项        → 选出与处理变量相关的控制变量集合 S_d第二步：用Lasso回归 被解释变量(DR) ~ 控制变量及其交乘/平方项        → 选出与被解释变量相关的控制变量集合 S_y第三步：将 S_d ∪ S_y 的并集作为控制变量，做OLS回归        DR ~ PE + S_d ∪ S_y + 固定效应

为什么要"双重"选择？

只选与Y相关的变量 → 可能漏掉与D相关但与Y弱相关的混杂因素
只选与D相关的变量 → 可能引入太多噪声
双重选择保证：只要真实模型在候选集中，就能一致估计处理效应

2. Partialing-Out Lasso (偏析Lasso)

基于Frisch-Waugh-Lovell定理：

第一步：用Lasso回归 PE ~ 控制变量 → 得到残差 lqresid        （剥离控制变量对处理变量的影响）第二步：用Lasso回归 DR ~ 控制变量 → 得到残差 yresid        （剥离控制变量对被解释变量的影响）第三步：yresid ~ lqresid 的回归系数 = PE对DR的净效应

原理：先把控制变量的影响".partial out"（剔除掉），剩下的残差之间的关系就是纯处理效应。