2018年12月
即将出版于:计量经济学杂志
我们研究了在不同聚集水平下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洛研究,它依赖于基于实际数据的可论证的现实数据生成过程(DGPs)。我们考虑了24个不同的DGPs, 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DGPs中,我们允许根据一组丰富的可观察协变量选择治疗。我们提供的证据表明,估计量可以分为三组。第一组在所有dgp和聚合级别上始终表现良好。这些估计值有多个步骤来考虑治疗的选择和结果过程。第二组只对特定的dgp显示有竞争力的性能。第三组的表现明显优于其他评估者。
下载
这些必要的cookies是激活网站核心功能所必需的。无法选择退出这些技术。
为了进一步改善我们的报价和我们的网站,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,我们可以确定网站上某些页面的访客数量和效果,并优化我们的内容。