مقاله یادگیری ماشین علّی در ارزیابی خط مشی عمومی – برنامه ای برای شرطی سازی نقل و انتقالات نقدی در مراکش

چکیده

Causal machine learning methods can be used to search for treatment effect heterogeneity in high-dimensional datasets even where we lack a strong enough theoretical framework to select variables or make parametric assumptions about data. This paper uses causal machine learning methods to estimate heterogeneous treatment effects in the case of an experimental study carried out in Morocco which evaluated the effect of conditionalizing a cash transfer program on school attendance compared to a labelled cash transfer. We show that there is little heterogeneity in effects with the average treatment effect across three different conditioning policies all being negative. We then explore if there are any variables in the dataset of 1936 pre-treatment variables that are particularly strong predictors of heterogeneity to try to understand this effect. While there are some variables we expected to be important here based on our theoretical framework, most are atheoretical variables whose effects are difficult to interpret. Household spending variables and child time-use variables are particularly important, however no variables have particularly large effects. The second purpose of this paper is to demonstrate and reflect upon a causal machine learning approach to policy evaluation. In this vein we suggest that findings that are difficult to interpret in this way are not surprising given the atheoretical methodology. We reflect that causal machine learning methods should not replace existing evaluation methodologies, but rather could be a useful tool for working with high-dimensional data and generating hypotheses.

چکیده به فارسی (ترجمه ماشینی)

از روشهای یادگیری ماشین علیت می توان برای جستجوی ناهمگونی اثر درمانی در مجموعه داده های با ابعاد بالا استفاده کرد ، حتی در مواردی که ما فاقد یک چارچوب نظری به اندازه کافی قوی برای انتخاب متغیرها یا فرضیات پارامتری در مورد داده ها هستیم.در این مقاله از روشهای یادگیری ماشین علیت برای برآورد اثرات درمانی ناهمگن در مورد یک مطالعه آزمایشی که در مراکش انجام شده است که تأثیر مشروط شدن یک برنامه انتقال پول نقد در حضور در مدرسه را در مقایسه با انتقال نقدی دارای برچسب ارزیابی می کند ، استفاده می کند.ما نشان می دهیم که ناهمگونی کمی در اثرات با میانگین اثر درمانی در سه سیاست مختلف تهویه مطبوع وجود دارد که همه منفی هستند.ما سپس بررسی می کنیم که آیا متغیرهایی در مجموعه داده های قبل از درمان در سال 1936 وجود دارد که به ویژه پیش بینی کننده های ناهمگونی هستند تا سعی در درک این اثر داشته باشند.در حالی که برخی از متغیرها وجود دارد که انتظار داریم در اینجا بر اساس چارچوب نظری ما مهم باشد ، بیشتر متغیرهای بیخدی هستند که اثرات آنها برای تفسیر دشوار است.متغیرهای هزینه خانگی و متغیرهای استفاده از زمان کودک از اهمیت ویژه ای برخوردار هستند ، اما هیچ متغیرهایی به ویژه اثرات زیادی ندارند.هدف دوم این مقاله ، نشان دادن و تأمل در مورد رویکرد یادگیری ماشین علی برای ارزیابی سیاست است.در این راستا ما پیشنهاد می کنیم یافته هایی که تفسیر آن از این طریق دشوار است با توجه به روش Atheoretical تعجب آور نیست.ما منعکس می کنیم که روشهای یادگیری ماشین علی نباید جایگزین روشهای ارزیابی موجود شود ، بلکه می تواند ابزاری مفید برای کار با داده های با ابعاد بالا و تولید فرضیه ها باشد.