Прозрачная оценка политики с помощью причинно-следственного машинного обучения: данные о цифровых...

«Прозрачная оценка политики с помощью причинно-следственного машинного обучения: применение к цифровым субсидиям для МСП» --------------------------------------------------------------------------------- АННОТАЦИЯ: 📋 Причинно-следственное машинное обучение позволяет оценщикам политики оценивать, как эффект вмешательства варьируется в зависимости от получателей, но гибкость, которая делает это возможным, также превращает оценщик в «черный ящик», который трудно согласовать с прозрачностью и подотчетностью, требуемыми для принятия государственных решений. В этой статье предлагается структура оценки, которая сочетает гибкую оценку с явными механизмами прозрачности, и применяется к Kit Digital, крупной испанской программе субсидирования цифровизации для малых и средних предприятий. Используя административные данные на уровне фирм, мы объединяем двойное машинное обучение и причинно-следственный лес для оценки гетерогенных эффектов на доходы, добавленную стоимость и занятость через один и два года после воздействия, и мы открываем оценки для проверки с помощью апостериорной декомпозиции SHAP и интерпретируемой по своей сути наилучшей линейной проекции с учетом групповых эффектов размера фирмы. Программа оказывает небольшое положительное влияние на занятость, которое усиливается в течение двухлетнего периода. Влияние на доходы и добавленную стоимость указывает в том же направлении, но не сохраняется при наличии правдоподобных неучтенных искажающих факторов. Инструменты прозрачности подтверждают, что реакция концентрируется среди малых фирм, а переоценка с использованием альтернативных методов оставляет направление и общую величину неизменными. Вклад показывает, что причинно-следственный оценщик типа «черный ящик» может быть достаточно проверяемым, чтобы обосновать целевое распределение государственной поддержки без ущерба для строгости. --------------------------------------------------------------------------------- АВТОРЫ: Эугени Гил-Окана - Исследовательский центр eSMART, Политехнический университет Валенсии, Валенсия, 46022, Валенсийское сообщество, Испания. Ана Гарсия-Бернабеу – Исследовательский центр eSMART, Политехнический университет Валенсии, Валенсия, 46022, Комьюнитат Валенсиана, Испания. Пабло де Педраса – Исследовательский центр eSMART, Политехнический университет Валенсии, Валенсия, 46022, Comunitat Valenciana, Испания. ---------------------------------------------------------------------------------- Следите за Data for Policy здесь: https://dataforpolicy.org/ Подпишитесь:    / @dataforpolicy   LinkedIn:   / data-for-policy   https://x.com/dataforpolicy Подпишитесь на новостную рассылку: https://dataforpolicy.org/subscribe-f... ---------------------------------------------------------------------------------- Ключевые слова: #causalmachinelearning #policyevaluation #explainableAI #treatmenteffecttheterogeneity #SMEsubsidies