.png){kind=icon}
返回
Causal Machine Learning for Moderation Effects
.png){kind=icon}
OA
AI
DOI：10.1080/07350015.2025.2479646.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
了解决策（处理）对总体和子群体的影响对任何决策者而言都是有价值的。因果机器学习文献最近提供了用于估计组平均处理效应（GATE）的工具，以更好地描述处理效应的异质性。本文解决了在考虑其他协变量变化的情况下，解释组间处理效应差异的挑战。我们提出一个新的参数——平衡组平均处理效应（BGATE），它衡量在特定分布下预先确定的协变量的GATE。通过比较两个BGATE的差异，我们可以比直接比较两个GATE更有效地分析异质性，因为我们能够区分由于其他变量分布不同导致的差异以及由于研究变量导致的差异。该参数的主要估计策略基于无混淆设置下离散处理的二重/去偏机器学习，并在标准条件下证明该估计量具有N-一致性和渐近正态性。我们提出了两种额外的估计策略：自动去偏机器学习和特定的重加权程序。最后，我们在小规模模拟研究和实际案例中展示了这些参数的有用性。
Keyword:
Double/debiased machine learning
Moderation analysis
Treatment effect heterogeneity
期刊
J
IF:
2.5
论文数:
96
被引数:
9.1K
机构
引用论文
.png){kind=icon}
分享收藏Machine learning estimation of heterogeneous causal effects: Empirical Monte Carlo evidence异质因果效应的机器学习估计: 经验蒙特卡洛证据
OAAI
OAAI分享收藏Everybody’s got to learn sometime? A causal machine learning evaluation of training programmes for jobseekers in France每个人总得学习，对吧？——关于法国求职者培训项目的因果机器学习评估OAAI
OAAI分享收藏A Simple Method for Estimating Interactions Between a Treatment and a Large Number of Covariates一种用于估计治疗与大量协变量之间相互作用的简单方法OAAI
OAAI分享收藏
查看更多内容