计量经济学与因果结构学习在时序政策决策中的比较：来自英国新冠疫情政策的实证分析

因果机器学习（ML）可恢复用于了解潜在因果关系的图结构。目前的大多数进展聚焦于无显式时间顺序的横截面数据，而从时序数据中恢复因果结构仍是因果ML领域持续进行的研究。除传统因果ML外，本研究评估了一些人们认为能够从时序数据中恢复因果结构的计量经济方法。使用这些方法的理由是，计量经济学领域多年来对因果性，特别是时序数据，给予了显著关注。这为比较计量经济与传统因果ML算法在因果发现性能方面的成果提供了可能。我们旨在了解是否可以从计量经济学中汲取什么教训纳入因果ML，并提供代码将这些计量经济方法的结果翻译到最广泛使用的贝叶斯网络R库bnlearn中。我们使用英国新冠疫情的真实世界案例来探讨这些算法在支持政策决策方面的益处和挑战。评估了四种计量经济方法在图结构、模型维度以及恢复因果效应方面的表现，并与十一种因果ML算法的结果进行比较。我们主要结果显示，计量经济方法为时序结构提供了明确的规则，而因果ML算法通过探索更广泛的图结构空间，倾向于生成更稠密的图，从而捕捉更多可识别的因果关系。