处理效应异质性分析——机器学习方法带来的机遇与挑战

被引：28

作者：

胡安宁 ^{[1
]}

吴晓刚 ^{[2
]}

陈云松 ^{[3
]}

机构：

[1] 复旦大学社会学系

[2] 上海纽约大学应用社会经济研究中心

[3] 南京大学社会学院

来源：

社会学研究 | 2021年 / 36卷 / 01期

关键词：

处理效应异质性; 机器学习; 因果随机森林; 贝叶斯叠加回归树;

D O I：

暂无

中图分类号：

C91-03 [社会学方法论];

学科分类号：

030301 ; 1204 ;

摘要：

处理效应异质性是定量社会科学关注的重点。本文以因果随机森林与贝叶斯叠加回归树为例,指出以算法为导向的新兴分析手段可以克服模型形式和变量选择的限制,并考虑变量间各种交互关系。因果随机森林与贝叶斯叠加回归树分别体现了"匹配"和"模拟"的分析逻辑,以帮助研究者勾勒出异质性处理效应的经验分布并探索该异质性的决定因素。然而,参数设定差异和算法差异都会损害处理效应异质性分析结果的稳健性。

引用

页码：91 / 114+228 +228

页数：25

共 17 条

[1] 统计模型的“不确定性”问题与倾向值方法 [J].

胡安宁 .

社会, 2017, 37 (01) :186-210

[2] 中国当代的高等教育、精英形成与社会分层来自“首都大学生成长追踪调查”的初步发现 [J].

吴晓刚 .

社会, 2016, 36 (03) :1-31

[3] 倾向值匹配与因果推论:方法论述评 [J].

胡安宁 .

社会学研究, 2012, 27 (01) :221-242+246

[4] 1993-2000年中国城市的自愿与非自愿就业流动与收入不平等 [J].

吴晓刚 .

社会学研究, 2008, (06) :33-57+243

[5] 奥迪斯·邓肯的学术成就:社会科学中用于定量推理的人口学方法 [J].

谢宇 ;

姜洋 .

社会, 2008, (03) :81-105+224

[6]

Bayesian Additive Regression Trees: A Review and Look Forward[J] . Jennifer Hill,Antonio Linero,Jared Murray.Annual Review of Statistics and Its Application . 2020 (1)

[7] GENERALIZED RANDOM FORESTS [J].