使用后双重选择lasso在田间试验中的应用

本文探讨了双重选择Lasso（PDS Lasso）方法在随机田野实验中的应用效果。研究发现，尽管PDS Lasso常被用于选择控制变量以提高治疗效果估计的精度和减少偏差，但在实际应用中，该方法的优势往往有限。

主要发现：

• 变量选择有限： 尽管输入大量潜在控制变量，但PDS Lasso通常只选择少量变量，超过一半的情况下甚至不选择任何变量。
• 精度提升微小： 与Ancova相比，PDS Lasso平均仅能将标准误差减少不到一个百分点，且在四分之一的情况下标准误差反而更大。
• 流失率影响有限： 虽然存在流失时，PDS Lasso更有可能选择控制变量，但典型系数变化仍然很小，表明流失通常与结果无关。
• 潜在问题： PDS Lasso可能无法选择滞后因变量或其他重要控制变量，导致精度下降。
• 参数选择： 使用交叉验证选择惩罚参数可能引入过拟合风险，建议使用默认的插件惩罚参数。

建议：

• 研究人员应谨慎选择输入控制变量，避免“大杂烩”方法。
• 确保包含滞后因变量和随机化层固定效应在内的改进集，防止遗漏变量偏差。
• 注意缺失值处理，确保所有输入变量无缺失值。
• 在存在多个结果或多种治疗方法时，为每个结果或治疗方法分别运行PDS Lasso。
• 正确处理治疗相互作用，避免将交互变量错误地建模为另一种治疗方法。

结论：

PDS Lasso可以作为随机田野实验的有效稳健性检验工具，但研究人员不应期望其在平均上获得显著的精度提升。在使用该方法时，需要谨慎选择控制变量，并注意潜在问题，以确保结果的可靠性和有效性。