数据说明
双重机器学习（Double Machine Learning, DML）是一种结合机器学习与因果推断的先进计量经济学方法，旨在通过机器学习算法控制高维协变量，从而更准确地估计处理效应。该方法由Chernozhukov等人提出，能够有效解决传统线性模型在面对复杂数据结构时的局限性，特别适用于存在大量控制变量和非线性关系的实证研究。
本教程集成了6大核心机器学习方法，包括LassoCV（套索回归）、Random Forest（随机森林）、SVM（支持向量机）、ElasticNetCV（弹性网络）、Gradient Boosting（梯度提升）和Neural Network（神经网络），为研究者提供了一站式的双重机器学习解决方案。代码已实现参数灵活调整，支持被解释变量、解释变量、控制变量、模型选择、交叉验证折数、时间/个体固定效应、稳健标准误等多项设置，适合学术研究、实证分析与方法学习。
数据介绍：
数据名称：双重机器学习Stata教程（代码+案例数据+配套视频）
数据范围：双重机器学习方法实现与应用
数据来源：教学案例数据
数据用途：用于学术研究、实证分析、因果推断研究、计量经济学方法学习、高维数据处理、政策效应评估等
数据指标：
核心功能参数
被解释变量
解释变量
控制变量
模型选择
交叉验证折数
时间固定效应
个体固定效应
稳健标准误
集成机器学习方法
LassoCV（套索回归）
Random Forest（随机森林）
SVM（支持向量机）
ElasticNetCV（弹性网络）
Gradient Boosting（梯度提升）
Neural Network（神经网络）
教程内容组成
完整Stata代码
案例数据
详细代码注释
配套教学视频
6大模型回归结果自动导出
参考文献：
[1] Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68.
[2] Chernozhukov, V., Hansen, C., & Spindler, M. (2015). Valid post-selection and post-regularization inference: An elementary, general approach. Annual Review of Economics, 7(1), 649-688.