Causal Inference in High Dimensional Panel Models: An Application of Double Machine Learning Estimator to Labor Market Effects of Immigration

Este estudo foca na estimação e inferência em modelos de dados em painel com heterogeneidade específica não observada em um contexto de alta dimensão. A framework abrange cenários em que o número de regressores é comparável ao tamanho da amostra. Crucialmente, modelamos a heterogeneidade específica como efeitos fixos, permitindo que esta se correlacione com variáveis observadas que variam no tempo de maneira não especificada e sejam diferentes de zero para todos os indivíduos. Dentro deste contexto, propomos métodos que fornecem inferência uniformemente válida para os coeficientes de um vetor pré-determinado de variáveis endógenas em modelos de variáveis instrumentais (IV) com efeitos fixos e muitos instrumentos. Central para o desenvolvimento destes métodos é a aplicação de algoritmos de aprendizado de máquina dentro de uma framework de regressão semiparamétrica, permitindo estimação em uma estrutura de dados agrupados onde a independência entre grupos é assumida, e a dependência intragrupo é irrestrita. Os resultados de simulações corroboram o framework teórico, e demonstramos a aplicação desses métodos na estimação do impacto da imigração de cidadãos de fora da União Europeia (UE) sobre o emprego de nativos da UE.