Quantile Treatment Effects estimated using Causal Machine Learning: Theory and Empirics
| Project/Area Number |
20K01593
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 07030:Economic statistics-related
|
|---|
| Research Institution | Senshu University (2022)
Tokyo International University (2020-2021) |
|---|
Principal Investigator |
CHEN Jauer 専修大学, 経済学部, 准教授 (70837757)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥3,640,000 (Direct Cost: ¥2,800,000、Indirect Cost: ¥840,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2021: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2020: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
|---|
| Keywords | 因果的機械学習 / 分位点処置効果 / 計量経済学 / Double Machine Learning / コウザルフォレスト / 因果機械学習 |
|---|
| Outline of Research at the Start |
To estimate causal effects, machine learning (ML) methods require adaptations to exploit the structure of economic problems, or to change the optimization criteria of ML algorithms in an economic policy analysis. This research investigates those adaptations, aka the causal ML in economics.
|
| Outline of Annual Research Achievements |
本年度の主要な研究実績は、Double Machine Learning（DML）を用いて非条件分位点効果を推定する方法を提案したことです。DMLとは、機械学習手法を用いつつ２段階に分けて効果を推定する手法です。非条件分位点効果は、目標変数の予測効果について、条件付き分位点回帰よりもより解釈しやすく、したがって政策関連の情報を提供します。
経済学における応用例では、ラッソベ一スのダブルセレクション（DML手法）を用いた非条件分位点回帰を使用して、産産の苦境がデフォルト回収率の各分位点に及ぼす影響を探ります。提案された手法を、１９９０年から２０１７年までのム一ディ一のデフォルトと回収デ一タベ一スにある５３３４の債務をおよび貸出商品に適用します。推定結果は、産業の苦境が極端な分位点を除く各分位点でデフォルト回収率を１５％から３％減少させることを示しています。したがって、提案された手法を用いて、バ一ゼル資本合意により必要とされる下降局面での債務回収率に対して、政策関連かつ解釈可能な定量的な測定を提供します。
研究成果は最終的に2023年3月に査読制度ある国際的な学術誌に掲載され、論文のタイトルは "Exploring Industry-Distress Effects on Loan Recovery: A Double Machine Learning Approach for Quantiles"となりました。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今年度の研究進行は順調で、無条件分位点効果を推定するための Double Machine Learning の計量経済学的手法を提案しました。これからも現在の研究ペースで続けることを願っています。
|
| Strategy for Future Research Activity |
今後の研究の推進方向は、スタンフォードの研究チームが開発した因果推論のための一般化コーザルフォレストという機械学習手法を使用し、台湾のEコマースのショッピングプラットフォームの実データをもとに、割引券やリマインダー通知の結果変数に対する異質な効果の推定を計画しています。これがこの研究計画の最終年度の目標となります。
|
Report
(3 results)
Research Products
(4 results)
