May, 2019
基于贝叶斯机器学习的不完全遵从下异质因果效应
Heterogeneous causal effects with imperfect compliance: a Bayesian machine learning approach
Falco J. Bargagli-Stoffi, Kristof De-Witte, Giorgio Gnecco
TL;DR本文介绍了一种创新的贝叶斯机器学习算法，可在存在不完善合规性（例如，在不规则的分配机制下）的情况下对异质性因果效应进行可解释的推断。该算法表现出比其他面向因果推断的机器学习技术更好的性能，并在控制叶子级别的错误率（或 - 较宽松地控制错误发现率）的同时发现和估计异质性因果效应。该算法在工具变量场景中揭示了因果效应的异质性，为政策制定者提供了有用的工具。其实证应用评估了增加资金对学生绩效的影响。结果表明，BCF-IV 可用于提高学校资金对学生绩效的有效性。