本文研究表明，相较于传统机构数据，利用基于应用程序的市场的替代数据对信用评分模型的影响。这些替代数据来源已经在传统银行和金融机构未能满足需求的人群中展现出巨大的预测借款人行为的能力。结果揭示，在两个国家得到了确认，这些新型数据来源特别适用于预测财务行为中低财富和年轻人，而这类人也是最有可能借助替代性贷款的人群。此外，通过使用Stochastic Gradient Boosting解释的TreeSHAP方法，我们的结果也显示，这些应用程序来源的变量存在着有趣的非线性趋势，这些趋势对于传统银行而言不是常见的信息。因此，这些研究结果展现了技术公司识别替代数据来源并妥善处理这些新信息的机会与挑战。同时，需要注意的是，替代数据必须经过认真的验证才能克服不同管辖区域的法规障碍。

May, 2020

本研究通过分析多个方面的包括食品和服务等的用户生成的在线评论，使用观察数据识别并估计各方面的因果效应，并提出了一种利用多模态变量的方法，如消费者个人信息和消费者与企业之间的互动，以克服隐变量存在的挑战。实证评估表明该方法的有效性并为用户提供了可行的深层次的洞见。

Dec, 2021

研究提出了一个概念性框架，通过组合不同的算法来解决大规模高维金融数据中客户流失问题。研究评估了不同算法的性能表现，并确定了一些独立和混淆变量对客户流失的影响和可能原因。

Apr, 2023

本文提出了一个计算条件独立特性量的动态CQTE的形式框架，介绍了两个VCDP模型，并设计了一种创新方法测试动态CQTE，同时扩展了该方法以适应来自时空相关的实验数据，并研究了条件分位数直接和间接效应。

May, 2023

通过将价格作为因果推理问题，我们研究了选择偏差对个人标价反应的影响，并探究了针对定价数据中的选择偏差的因果机器学习方法的潜力。

Sep, 2023

从观察性文本数据中估计因果效应时，考虑潜在协变量的调整至关重要。然而，现有方法只考虑影响治疗和结果的混杂协变量，可能导致偏倚的因果效应估计。本研究旨在通过揭示不同变量之间的相互作用来解开估计文本因果效应时的非混杂协变量，从而减小偏倚。解开过程确保协变量只对各自的目标贡献，实现变量之间的独立性。此外，我们引入约束条件来平衡治疗组和对照组的表示，以减轻选择偏倚。在不同场景下，我们对两种不同处理因子进行实验，实验证明了我们提出的模型明显优于最近的强基线。此外，对收入电话会议记录的彻底分析表明，我们的模型能够有效解开变量，进一步的研究为投资者提供了决策指南。

Nov, 2023

通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为“双重/无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于DML可以提高对各种非线性混淆关系的调整，从而避免了传统因果效应估计中通常需要的功能形式假设。然而，我们证明这种方法仍然严重依赖于因果结构和识别的标准假设。在我们的应用中，估计空气污染对房价的影响时，我们发现DML估计结果一直比不太灵活的方法估计结果要大。基于我们的整体结果，我们为研究人员在实际应用DML时提供了可行的建议。

Mar, 2024

使用潜在因子块危险模型和张量完成方法，在分析各种干预对客户流失影响时，提出了一种创新方法。模型考虑了客户流失数据的二元特性和时间单调趋势，并通过独特的干预分类方法增强了实施客户保留策略的精确性和实用性。

May, 2024

在金融机构中，评分模型的建立和评估基于已接受申请人的数据，而他们的还款行为已知。然而，这样做会产生抽样偏差，而论文中提出的两种方法，即拒绝推理和贝叶斯框架，有效地解决了这个问题，并证实了它们在预测性能和盈利能力方面的优越性。

Jul, 2024

本研究解决了在面板数据下使用双重/去偏机器学习（DML）进行因果效应估计时面临的系统性挑战，尤其是在存在未观察异质性时。该论文提出将基于相关随机效应的方法应用于DML，以提高估计的准确性，尤其在样本量相对于观察到的混杂因素数量较大的情况下。研究发现，未观察异质性对大多数方法的性能有显著影响，强调了新方法的重要性。

Sep, 2024