Fisher-Schultz 讲座：随机实验中异质处理效应的通用机器学习推断及其在印度免疫接种中的应用

我们提出在随机实验中估计异质效应关键特征并对其进行推断的策略。这些关键特征包括利用机器学习代理变量对效应的最佳线性预测、按影响群组排序的平均效应，以及受影响最大与最小单元的平均特征。该方法在高维设定下有效，其中效应由预测性与因果性机器学习方法作为代理（但不必一致估计）。我们将这些代理变量后处理为关键特征的估计量。我们的方法是通用的，它可与惩罚方法、神经网络、随机森林、提升树以及集成方法（预测性与因果性皆可）结合使用。估计与推断基于重复数据分割，以避免过拟合并实现有效性。我们对许多潜在分割的结果使用分位数聚合，特别是取 p 值的中位数以及置信区间的中位数与其他分位数。我们证明分位数聚合相比单次分割程序降低了估计风险，并确立了其主要的推断性质。最后，我们的分析揭示了通过因果学习构建可证明更优机器学习代理变量的途径：我们可以利用所发展的目标函数构造效应的最佳线性预测，从而在初始步骤中获得更好的机器学习代理变量。我们以一项评估刺激印度免疫接种需求的助推组合随机田野实验来说明推断工具与因果学习器的使用。