2018年12月
发表于:《计量经济学》,2021,24 (1),134-161
我们研究了在不同聚集水平上的异质因果效应的因果机器学习估计器的有限样本性能。我们采用了经验蒙特卡罗研究,该研究依赖于基于实际数据的现实数据生成过程(DGPs)。我们考虑了24个不同的dgp, 11个不同的因果机器学习估计器,以及估计效果的三个聚合水平。在主要的dgp中,我们允许基于丰富的可观察协变量集进行处理选择。我们提供的证据表明,估计器可以分为三组。第一组在所有dgp和聚合级别上始终表现良好。这些估计器有多个步骤来说明治疗的选择和结果过程。第二组只对特定的dgp显示竞争性能。第三组的表现明显优于其他评估者。
下载
这些必需的cookies是激活网站核心功能所必需的。无法选择退出这些技术。
为了进一步完善我们的服务和我们的网站,我们收集匿名数据进行统计和分析。例如,在这些cookie的帮助下,我们可以确定访问者的数量和我们网站上某些页面的效果,并优化我们的内容。