用机器学习决定助推谁：学生助学金续申实地实验中的因果与预测式定向
计量经济学
2024-06-04 v2 机器学习
统计方法学
机器学习
摘要
在许多情境中，干预对部分个体可能比他人更有效，因此定向干预或有裨益。我们在一个逾 53,000 名大学生的大规模实地实验背景下分析定向的价值，其目标是通过“助推”鼓励学生在非约束性截止日期前续申助学金。我们首先采用基线定向方法。其一，基于估计异质处理效应的因果森林进行定向，并按估计处理效应最高者分配学生至处理组。接着，我们评估两种替代定向策略：一为针对无干预时续申助学金预测概率低的学生，另一针对概率高者。预测的基线结果并非理想的定向准则，且先验上不清楚应优先低、高还是中等预测概率。尽管如此，针对低基线结果定向在实践中常见，例如因为个体特征与处理效应间的关系常难以或无法用历史数据估计。我们提出结合预测方法（精确估计）与因果方法（正确准则）优势的混合型方案；我们展示在本题应用中针对中等基线结果定向最为有效，而基于低基线结果定向则有害。在实验某年中，助推所有学生使早期申请较 37% 的基线平均申请率平均提升 6.4 个百分点，我们估计使用优选策略定向半数学生可获得该收益的约 75%。
引用
@article{arxiv.2310.08672,
title = {Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal},
author = {Susan Athey and Niall Keleher and Jann Spiess},
journal= {arXiv preprint arXiv:2310.08672},
year = {2024}
}