异质性因果效应的机器学习估计：经验蒙特卡洛证据
计量经济学
2021-10-19 v2
摘要
我们研究了因果机器学习估计量在不同聚合层次下对异质性因果效应的有限样本表现。我们采用经验蒙特卡洛研究，其依赖于基于实际数据、堪称现实的数据生成过程（DGPs）。我们考虑了24种不同的DGP、11种不同的因果机器学习估计量，以及估计效应的三个聚合层次。在主要DGP中，我们允许基于丰富的可观测协变量进行选择进入处理。我们提供的证据表明，这些估计量可分为三组。第一组在所有DGP和聚合层次上表现始终良好。这些估计量通过多个步骤来处理处理选择偏倚与结果过程。第二组仅在特定DGP上表现出有竞争力的性能。第三组则明显被其他估计量超越。
引用
@article{arxiv.1810.13237,
title = {Machine Learning Estimation of Heterogeneous Causal Effects: Empirical Monte Carlo Evidence},
author = {Michael C. Knaus and Michael Lechner and Anthony Strittmatter},
journal= {arXiv preprint arXiv:1810.13237},
year = {2021}
}