一种基于机器学习的面板数据政策评估方法

摘要

将Hsiao等(2012)、Li和Bell(2017)的两种常系数面板数据政策评估方法扩展为允许权重系数随时间变化的时变LASSO面板数据政策评估方法.研究方法:利用经典文献中的三组实际数据对三种面板数据政策评估方法进行对比研究.研究发现:相对于两种常系数模型而言,时变LASSO方法对反事实的预测准确性最高,尤其是当前干预期的时期数较大时,预测准确性提高了20％～30％.研究创新:提出了一种基于机器学习的时变LASSO面板数据政策评估方法以及基于此的两种反事实预测方法.研究价值:提高反事实预测准确性、完善面板数据政策评估理论方法,并为定量评估各种社会经济政策的实际效果提供理论工具.