مقدمة

أحد الأهداف الرئيسية للبحث التجريبي في الاقتصاد هو تقدير التأثير السببي لمتغير معين على نتيجة مستهدفة. لتجنب التحيزات في معاملات الاهتمام بسبب المتغيرات المفقودة، وخاصة في الدراسات الملاحظة، غالبًا ما يكون من المرغوب فيه تضمين عدد كبير من الضوابط في الانحدارات. يمكن أن تكون طرق التعلم الآلي (ML) مفيدة في مثل هذه الإعدادات. ومع ذلك، فإن نماذج التنبؤ القياسية في التعلم الآلي تستهدف مشاكل مختلفة جوهريًا عن معظم الأعمال التجريبية في الاقتصاد. تهدف هذه الورقة إلى تقديم أدلة للباحثين التجريبيين بشأن مزايا طرق التعلم الآلي السببي في الإعدادات الواقعية.

طرق

نقوم بإعادة النظر في عدد من الأوراق المؤثرة من خلال تطبيق طرق التعلم الآلي السببي ومقارنة النتائج مع الطرق التقليدية المستخدمة في الدراسات الأصلية. نركز على كل من تأثير العلاج المتوسط (ATE) وتأثيرات العلاج غير المتجانسة (HTE). مساهمتنا الرئيسية هي توضيح كيفية تنفيذ طرق التعلم الآلي السببي في مجموعة متنوعة من الإعدادات، وتسليط الضوء على الصلة والمكاسب الإضافية التي تجلبها طرق التعلم الآلي السببي مقارنة بالأساليب الاقتصادية القياسية. نحن نستخدم طريقة التعلم الآلي المزدوج/المصحح (DML) لـ ATE وطريقة الغابة السببية لـ HTE.

نتائج

استنادًا إلى نتائجنا من عينة الأوراق المعاد النظر فيها، نستخلص وننظم أربعة أسباب رئيسية تجعل طرق التعلم الآلي السببي ذات صلة بالتحليل السببي وتضيف قيمة مقارنة بالطرق التقليدية. تشمل هذه القدرة على استعادة التفاعلات المعقدة بين المتغيرات، والملاءمة للإعدادات عالية الأبعاد، واختيار النماذج بشكل منهجي، وتحسين تقدير تأثيرات العلاج غير المتجانسة. تدعم نتائجنا عدة محاكاة مونت كارلو التي تظهر أن DML يتفوق على OLS عندما تكون العلاقة الحقيقية المزعجة غير خطية.

مناقشة

تتزايد بسرعة الأدبيات النظرية الاقتصادية حول تكييف تقنيات التعلم الآلي القياسية مع أسئلة الاستدلال السببي. على الرغم من التقدم في طرق التعلم الآلي السببي، لم تستغل الأدبيات الاقتصادية التجريبية بعد قوتها بالكامل. تشير تحليلاتنا إلى أن طرق التعلم الآلي السببي توفر تقديرات قوية ورؤى حول تأثيرات العلاج التي قد تتجاهلها الطرق التقليدية، خاصة في الإعدادات عالية الأبعاد حيث تكون عوامل التداخل شائعة.

Introduction

One of the key goals of empirical research in economics is to estimate the causal effect of a variable of interest on a targeted outcome. To avoid biases in the coefficients of interest due to omitted variables, particularly in observational studies, it is often desirable to include in the regressions a large number of controls. Machine learning (ML) methods can potentially be useful in such settings. However, standard ML prediction models are aimed at fundamentally different problems than most of the empirical work in economics. This paper aims to present empirical researchers evidence regarding the merits of causal machine learning methods in realistic settings.

Methods

We revisit a number of influential papers by applying causal ML methods and compare the results with the traditional methods used in the original studies. We focus on both the average treatment effect (ATE) and heterogeneous treatment effects (HTE). Our main contribution is to illustrate how causal ML methods can be implemented in a variety of settings, and to highlight the relevance and additional gains that causal machine learning methods bring to the table relative to the standard econometric approaches. We employ the double/debiased machine learning (DML) method for ATE and the causal forest method for HTE.

Results

Based on our results from the sample of revisited papers, we derive and systemize four main reasons why causal machine learning methods are relevant for causal analysis and add value relative to the traditional methods. These include the ability to recover complex interactions among variables, suitability for high-dimensional settings, systematic model selection, and improved estimation of heterogeneous treatment effects. Our findings are supported by several Monte Carlo simulations which show that DML outperforms OLS when the true nuisance relationship is nonlinear.

Discussion

The econometric theory literature on adapting standard machine learning techniques to causal inference questions is growing rapidly. Despite the advances in causal ML methods, the empirical economics literature has not yet fully exploited their strengths. Our analysis suggests that causal ML methods provide robust estimates and insights into treatment effects that traditional methods may overlook, particularly in high-dimensional settings where confounding factors are prevalent.