社会经济差异与COVID-19：因果关联
机器学习
2022-01-19 v1 计量经济学
机器学习
摘要
因果分析是一项具有挑战性的任务，可以通过多种方法来处理。随着基于机器学习的模型在计算社会经济学的日益使用，在考虑因果关联的同时解释这些模型成为一种必要。在这项工作中，我们提倡使用来自合作博弈论并结合do演算的解释框架，即因果Shapley值。利用因果Shapley值，我们分析了与美国COVID-19传播具有因果联系的社会经济差异。我们研究了疾病传播的若干个阶段，以展示因果关联如何随时间变化。我们使用随机效应模型进行因果分析，并讨论两种方法之间的对应关系以验证我们的结果。我们展示了非线性机器学习模型在进行多变量分析时相对于线性模型的显著优势，特别是因为机器学习模型能够映射出数据中的非线性相关。此外，因果Shapley值允许在为机器学习模型计算的变量重要性中纳入因果结构。
引用
@article{arxiv.2201.07026,
title = {Socioeconomic disparities and COVID-19: the causal connections},
author = {Tannista Banerjee and Ayan Paul and Vishak Srikanth and Inga Strümke},
journal= {arXiv preprint arXiv:2201.07026},
year = {2022}
}