导语


机器学习与经济学的融合将改变传统经济学的研究方式。斯坦福商学院技术经济学教授Susan Athey表示：我相信机器学习将在短期内对经济学领域产生巨大的影响。在早期，大家还是直接使用现有的方法，但从长远来看，计量经济学家将会修改这些方法，使它们能满足社会科学家的需求，社会科学界的主要兴趣在于对因果效应的推断，和评估反事实政策的影响。本次读书会通过群内招募具有相关研究兴趣的同学为大家解读机器学习在计量经济学中相关应用的文献。


由智源社区、集智俱乐部联合举办的因果科学与Causal AI读书会第三季，其目标是：将主要结合因果推断的潜在结果（Potential Outcomes）框架展开讨论，并尝试在不同领域，包括但不限于医学、经济学、机器学习等领域，尝试建立与SCM的对应关系。读书自2021年10月24日开始，每周日上午 09:00-11:00举办，持续时间预计 2-3 个月。






背景




随着机器学习方法的发展和普及，经济学研究也开始关注相关方法的使用。经典的计量经济方法更加关注参数的统计学特征，关注目标测度的质量，因此研究通常要汇报参数估计和其标准误差；给定有限信息的条件下，机器学习算法能够进行更有效的预测。在面对比如ATE的因果估计，最佳政策分配方案，对价格对消费者选择模型的反事实效应估计等问题时，计量经济学和机器学习方法因结合了二者各自的长处，而能发挥更强的效力。本次分享也将为大家展示如何更好地结合机器学习方法和经济学问题进行因果推断。





内容简介




分享一

本次分享将主要讲述Causal Tree和Causal Forests的算法，主要的参考文献是：

1. Athey, Susan, and Guido Imbens. “Recursive partitioning for heterogeneous causal effects.” Proceedings of the National Academy of Sciences 113.27 (2016): 7353-7360.

2. Athey, Susan, and Guido W. Imbens. “Machine learning methods for estimating heterogeneous causal effects.” stat 1050.5 (2015): 1-26.

3. Wager, Stefan, and Susan Athey. “Estimation and inference of heterogeneous treatment effects using random forests.” Journal of the American Statistical Association 113.523 (2018): 1228-1242.


分享二
在 Unconfoundedness 条件下的 Average Treatment Effect 和 Heterogeneous Treatment Effect 的估计。对于ATE，传统的倾向性得分估计方法的效果在外界条件不稳定的情况下会产生较大偏误，而 Covariate Balancing的方法将倾向性得分加权与实验-对照组的自变量平衡作为最优化的目标，得到更加稳健的ATE估计；对于HTE，传统的 Regression tree 方法以预测最优化为目标，而 Causal Forest 将处理异质性的最大化作为目标，可以更好地发现因果效应对于不同特征个体的差异性。
主要解读文献：

4. Susan Athey, and Guido W. Imbens. “Machine Learning Methods Economists Should Know About.”  https://arxiv.org/abs/1903.10075


分享三
本次分享将会介绍一篇应用了机器学习方法的经济学顶刊论文，论文作者用算法“学习”了75万起案件的判决结果，发现法官的审判决策还存在改进的可能性。分享内容涉及对作者使用机器学习方法的动机探讨，并尝试从经济学视角分析论文的研究框架。
主要解读文献：

5. Jon Kleinberg, Himabindu Lakkaraju, Jure Leskovec, Jens Ludwig, Sendhil Mullainathan, “Human Decisions and Machine Predictions”, The Quarterly Journal of Economics, Volume 133, Issue 1, February 2018, Pages 237–293






主讲人




葛春江，清华大学自动化系博士。研究兴趣是机器学习，计算机视觉。

金泽润，北京大学。研究方向为技术创新与经济地理。

周俊铭，俄罗斯国立高等经济大学数据科学硕士在读。目前兴趣在于探寻数据驱动的方法，以求改进医疗卫生的效率。




直播信息




时间：

2022年2月20日上午9: 00-11: 00


参与方式：

  • 文末扫码参加读书会第三季，加入群聊，获取系列读书会回看权限，成为因果社区种子用户，与900余位社区的科研工作者沟通交流，共同推动因果科学的发展。
  • 集智俱乐部 B 站免费直播，扫码可预约。

扫码预约



因果科学读书会第三季启动


由智源社区、集智俱乐部联合举办的因果科学与Causal AI读书会第三季，将主要面向两类人群：如果你从事计算机相关方向研究，希望为不同领域引入新的计算方法，通过大数据、新算法得到新成果，可以通过读书会各个领域的核心因果问题介绍和论文推荐快速入手；如果你从事其他理工科或人文社科领域研究，也可以通过所属领域的因果研究综述介绍和研讨已有工作的示例代码，在自己的研究中快速开始尝试部署结合因果的算法。读书自2021年10月24日开始，每周日上午 9:00-11:00举办，持续时间预计 2-3 个月。

读书会大纲一览：

Donald Rubin：Essential Concepts of causal inference

「基础理论学习」
因果推断的潜在结果框架在实验性研究的应用
因果推断在观察性研究中的应用：DESIGN

因果推断在观察性研究中的应用（续）：ANALYSIS

「案例研讨」
医学、药学、生物学中的研究案例
管理学、经济学、社会学及政治学中的研究案例
因果随机森林及其在工业界的应用
多级治疗与连续性暴露
因果推荐系统
因果在自然语言处理中的应用

因果与公平性和可解释性

「深入理论学习」

双稳健估计、处理极端倾向得分的方法
阴性对照试验
高维因果推断
结合随机化试验数据与观察性数据



点击“阅读原文”，报名直播