Revisiting Treatment Effects with Causal Forests

Abstract

Revisiting Treatment Effects with Causal Forests Aslan Bakirov Abstract This thesis focuses on the application of Causal Forests, a prominent causal machine learning algorithm, to estimate heterogeneous treatment effects in complex socio-economic phenomenon. Causal Forests leverage the capabilities of random forests to partition the high-dimensional covariate space and identify subgroups where the effect of an intervention remains constant. This approach is particularly valuable when dealing with heterogeneous causal effects, where a uniform measure of gains for all is an unrealistic assumption. Unlike traditional manual methods that are susceptible to p-hacking, the algorithm objectively uncovers nuanced treatment effect variations through data-driven analysis. The thesis demonstrates the algorithm's potential in exploring causal effects and providing valuable policy insights. An empirical illustration showcases the modeling of a complex socio-economic phenomenon, such as the gender wage gap, and leverages Causal Forests to extract policy learning from the identified heterogeneity. The study highlights the algorithm's contribution to credible and robust causal inference, bridging the gap between traditional decomposition methods and data-informed heterogeneity analysis. Keywords: Causal machine learning,...

Analýza dopadů opatření pomocí metody Causal Forest Aslan Bakirov Abstrakt Tato diplomová práce se zaměřuje na aplikaci Causal Forests, prominentního algoritmu pro kauzální strojové učení, s cílem kvantifikovat heterogenní dopady různých opatření v rámci komplexních socioekonomických jevů. Předností algoritmu Causal Forest je schopnost při využití velkého množství vysvětlujících proměnných identifikovat takové podskupiny, pro které jsou efekty kauzálních jevů konstantní. Tento přístup je zvláště cenný při evaluaci dopadů takových opatření, u kterých se efekt napříč podskupinami daného vzorku výrazně liší, a u nichž je předpoklad konstantních dopadů tudíž nerealistický. Na rozdíl od tradičních manuálních metodam, které mohou být jednoduše zneužívány k tzv. p-hackingu, popsaný algoritmus objektivně identifikuje rozdíly v dopadech mezi testovanými podskupinami. Diplomová práce dále demonstruje, jak lze daný algoritmus využít k analýze heterogenních kauzálních efektů a studiu dopadů veřejných politik. Má práce pak na konkrétním příkladu gender wage gap ilustruje aplikaci algoritmu při modelování komplexních socioekonomických jevů. Studie tak jasně demonstruje výhody algoritmu při analýze dopadů opatření a zajištění vyšší robustnosti výsledků. Vyplňuje tak mezeru mezi odbornými poznatky vážících se k tradičním...