在非规则分配机制下估计异质性因果效应
机器学习
2019-05-23 v2 机器学习
摘要
本文在观测性研究中建立了因果推断与机器学习技术（具体而言，分类与回归树（CART））之间的联系，其中处理的接受并非随机化，但处理的分配可假定为随机化（非规则分配机制）。本文通过提出因果树（CT）算法的修正版本以从非规则分配机制中得出因果推断，对日益增长的因果推断应用机器学习文献作出了贡献。所提出的方法通过将CT方法与工具变量框架相结合以进行因果推断而发展出来，因此命名为带工具变量的因果树（CT-IV）。与CT相比，CT-IV的主要优势在于能够更高效地处理因果效应的异质性，这一点通过在合成数据上获得的一系列数值结果得到证明。随后，所提出的算法被用于评估由意大利托斯卡纳大区行政机构实施的一项公共政策，该政策旨在缓解小企业获取信贷的难度。在此背景下，CT-IV为目标导向型政策开辟了新天地，识别出了有趣的异质性因果效应。
引用
@article{arxiv.1808.04281,
title = {Estimating Heterogeneous Causal Effects in the Presence of Irregular Assignment Mechanisms},
author = {Falco J. Bargagli-Stoffi and Giorgio Gnecco},
journal= {arXiv preprint arXiv:1808.04281},
year = {2019}
}