文档介绍：: .
重庆工商大学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估计量同样适用于进行宏观经济变量预测。最后通过设置伪实验组与伪介
入的假设，验证了𝐿1因子分析较之其他方法具有更稳健的预测效果。
关键词：反事实估计；因果推断；𝐿1因子分析
中图分类号：
量变化，得出平均处理效应, 改进了双重差
0 引言
分法的内生性问题。Zheng 等（2016）又
统计学中，相关关系能够通过相关系 在此基础上，使用机器学习的二次规划法
数进行度量，而因果关系却很难有一个明 来确定控制组的权重并重构虚拟组，以预
确的度量指标，由此衍生出的因果推断 测 反 事 实 值 。Doudchenko＆Imbens（2016）
(Causal Inference)问题成为了统计学者们关 比较了双重差分法、合成控制法、约束回
注的焦点。Rubin (1973)在反事实理论的基 归法、最优子集选择法对于估计参数的不
础上构建了潜在结果模型(Rubin Causal 同限制条件，并使用了弹性网法（Elastic
Model)，其核心是比较同一个研究对象在 Net）设置惩罚项，以此筛选控制变量构造
接受干预和不接受干预时结果差异，即该 模型，获得反事实值预测。这些方法都是
干预的因果效应（Causal Effects）。在该 基于观测到的面板数据特点进行模型假设，
反事实框架下，因果推断问题转变成为反 导致其受限于所得观测数据，在面对具有
事实值的估计问题。目前各种因果推断方 不同特征的数据时稳健性较弱。
法关于提出受数据限制较小、能够服务于 考虑到因子分析作为常见的宏观经济
高维数据、且估计效果更好的因果推断方 变量预测方法，面对高维数据表现优异且
法这一问题，还有待进一步研究。。 能应用于不同特征的数据。因此在反事实
Rubin(1973)关注了单个协变量的情形 框架下，学者们通过非随机的观测数据、
下平均处理效应的估计问题，通过处理组 在因子分析的视角下进行因果推断，提出
与控制组的分离与再匹配估计反事实值。 了新的反事实值估计方法。Xiong＆Pelger
Heckman 等学者(Heckman＆Robb,1985)使 （2019）提出了带有缺失值情况下的潜在
用双重差分法(Difference-in-Differ