更精确的因果效应识别:基于机器学习的视角

在传统计量经济方法学中引入机器学习方法已逐渐成为一个不可忽视的重要发展趋势,本文从因果推断的两大主流分析框架出发,分析了其各自的特征与内在关联,在此基础上,提出了机器学习方法可以从样本匹配与反事实预测两个方面对现有因果效应识别研究进行改进.本文认为,机器学习能够通过样本直接匹配以及提升倾向得分估计准确度来实现样本的精准匹配,使研究样本更具备"随机化"实验的特征,此外,机器学习方法能够利用复杂关系建模、交叉验证以及正则化等方法来提升样本反事实预测的准确性.本文接着从匹配法、断点回归法、双重差分法以及合成控制法这四个具体的方法出发,详细阐述了机器学习在提升因果效应识别方面的理论基础,同时在每一个方法部分都给出了若干实际应用案例,以供应用计量研究者借鉴和参考.