Causal Machine Learning for Heterogeneous Treatment Effects: An Empirical Application on Optimal Treatment Assignment

Abstract

Thesis title: Causal Machine Learning for Heterogeneous Treatment Effects: An Application on Optimal Treatment Assignment Abstract With the rising popularity of machine learning for uncovering complex patterns, there is growing interest in leveraging these techniques to understand how interventions affect individuals differently based on their characteristics, a concept known as heterogeneity (HTE). This paper compares two machine learning methods for predicting HTEs for optimal treatment assignment or so-called targeting: the causal forest (CF), a direct tree-based method, and the causal neural network (CNN), an indirect deep learning method. I use an empirical dataset from an online experiment on incentivizing manual labour to compare the methods. I show that CF outperforms CNN; assigning individual optimal treatments based on CF yields higher outcomes than assigning the overall best treatment to all individuals. Further, I address the winner's curse in the optimal targeting context by introducing two shrinkage techniques: the James-Stein and the Variance shrinkers, which improve the performance of ML methods in assigning the optimal treatments. This study contributes to the literature by providing a detailed guideline for selecting and comparing ML methods for optimal targeting and introducing shrinkage...

Název práce: Kauzální strojové učení a heterogenní efekty treatmentu: Aplikace na optimální přiřazení treatmentu Abstrakt S rostoucí popularitou použití strojového učení při odhalování komplexních souvislostí roste zájem o využití těchto technik k pochopení toho, jak intervence ovlivňují jednotlivce odlišně v závislosti na jejich charakteristikách, což je koncept známý jako heterogenita (HTE). Tato práce porovnává dvě metody strojového učení pro předpovídání HTE za účelem optimálního přiřazení treatmentu nebo tzv. cílení: kauzální les (CF), přímou metodu založenou na stromech, a kauzální neuronovou síť (CNN), nepřímou metodu hlubokého učení. K porovnání metod používám empirický soubor dat z online experimentu zaměřeného na motivaci k manuální práci. Ukazuji, že CF překonává CNN; přiřazení individuálních optimálních treatmentů na základě CF přináší lepší výsledky než přiřazení celkového nejlepšího ošetření všem jednotlivcům. Dále se zabývám prokletím vítěze v kontextu optimálního cílení zavedením dvou technik smršťování: smršťovač Jamese-Steina a smršťovač rozptylu, které zlepšují výkonnost ML metod při přiřazování optimálních treatmentů. Tato studie přispívá k literatuře tím, že poskytuje podrobný návod pro výběr a porovnání ML metod pro optimální cílení a zavádí techniky smršťování pro úpravu vychylení...