• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>The econometrics journal >Machine learning estimation of heterogeneous causal effects:empirical Monte Carlo evidence
【24h】

Machine learning estimation of heterogeneous causal effects:empirical Monte Carlo evidence

机译：异构因果效应的机器学习估计：经验蒙特卡罗证据

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We investigate the finite-sample performance of causal machine learning estimators for heterogeneous causal effects at different aggregation levels. We employ an empirical Monte Carlo study that relies on arguably realistic data generation processes (DGPs) based on actual data in an observational setting. We consider 24 DGPs, eleven causal machine learning estimators, and three aggregation levels of the estimated effects. Four of the considered estimators perform consistently well across all DGPs and aggregation levels. These estimators have multiple steps to account for the selection into the treatment and the outcome process.
机译：我们研究了不同聚集水平异构因果效应的因果机学习估计的有限样本性能。 我们采用了一个经验的蒙特卡罗研究，依赖于可实现的现实数据生成过程（DGPS），基于观察环境中的实际数据。 我们考虑24个DGP，11个因果机学习估计，以及估计效果的三个聚合水平。 四个被认为的估计人员始终符合所有DGP和聚合水平。 这些估算员有多个步骤，以考虑选择进入治疗和结果过程。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号