基于因子分析的因果推断研究

针对反事实框架下的因果推断问题,在因子分析视角下,从优化角度提出利用 L2 因子分析方法估计反事实值,并引入 L1 损失函数优化 L1 风险;结合因果推断与正交因子模型,将面板数据中需要估计的反事实值视作缺失值,从而把因果推断反事实值估计转变为带有缺失值的潜在因子模型估计;舍弃面板数据中的缺失值,通过优化一步得到潜在结果与平均处理效应,避免了信息丢失问题;采用 L1 因子分析代替 L2因子分析来估计模型,做出稳健性上的改进,并获得中位数处理效应;介绍了一种交替凸优化算法解决 L1 、L2 因子分析中的目标函数最小化问题,并给出其具体实现步骤;对于加利福尼亚州限制烟草政策案例做了实证研究,将 L1 、L2 因子分析与已有因果推断方法进行比较分析,结果表明:因子模型的 L1 、L2 估计量同样适用于宏观经济变量预测;最后通过设置伪实验组与伪介入的假设,验证了 L1 因子分析较其他方法具有更稳健的预测效果。