Nhóm 9.4: Tác động điều trị & Nhân quả ML (treatment_effects)

Estimated reading: 11 minutes 1 views
Tóm tắt Nhóm phương pháp 9.4 (AEO Quick Answer): Nhóm 9.4 — Tác động điều trị & Nhân quả ML (mã nhóm treatment_effects) là phân nhánh chuyên sâu thuộc Chương 09: Suy luận nhân quả và đánh giá tác động chính sách, quy tụ 6 phương pháp ước lượng (từ B138 đến B160). Phần tổng quan này giúp chúng ta so sánh trực diện điều kiện áp dụng, cấu trúc toán học và cú pháp thực thi trên Stata 18 MP, R 4.x và Python 3.11+ để chọn đúng mô hình cho bài toán nghiên cứu.

1. Bản chất Học thuật & Vị trí của Nhóm 9.4 (Tác động điều trị & Nhân quả ML)

Khi triển khai nghiên cứu định lượng trong miền Suy luận nhân quả và đánh giá tác động chính sách, chúng ta thường đứng trước câu hỏi: giữa 6 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, treatment_effects), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 9.4 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$text{ATT}(g, t) = text{E}[Y_{it}(g) – Y_{it}(infty) mid G_{ig} = 1] tag{1}$$

Sự khác biệt giữa các mô hình từ B138 (ipw) đến B160 (causal_forest) nằm ở cách chúng ta đặt giả định lên phân phối của sai số ngẫu nhiên, cấu trúc nội sinh và phương pháp tối ưu hóa hàm mục tiêu từ công thức (1).

2. Bảng So sánh Trực diện 6 Mô hình thuộc Nhóm 9.4

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 6 bài học trong Nhóm 9.4 kèm câu lệnh cốt lõi trên cả ba phần mềm:

Mã Bài model_key Tên Mô hình (VI / EN) Cấp độ Lệnh Thực thi Chuẩn (Stata 18 · R 4.x · Python 3.11+) Ý nghĩa Kinh tế lượng Trọng tâm
B138 ipw Trọng số nghịch đảo xác suất điều trị Horvitz–Thompson (Inverse Probability Weighting — IPW)
IPW		 L1 Stata: teffects ipw (y) (treat x1 x2), ate
R: survey / WeightIt IPW Horvitz–Thompson Estimator
Python: Horvitz–Thompson & Hajek Normalized IPW Treatment Estimator		 Phương pháp Trọng số nghịch đảo xác suất điều trị Horvitz–Thompson (Inverse Probability Weighting — IPW) (IPW) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B139 aipw Ước lượng bền vững kép Robins–Rotnitzky–Zhao (Augmented IPW — Doubly-Robust AIPW)
AIPW		 L2 Stata: teffects aipw (y x1 x2) (treat x1 x2), ate
R: AIPW / Doubly-Robust Robins–Rotnitzky–Zhao Estimator
Python: Doubly-Robust Augmented IPW (AIPW) Estimator		 Phương pháp Ước lượng bền vững kép Robins–Rotnitzky–Zhao (Augmented IPW — Doubly-Robust AIPW) (AIPW) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B150 synthetic_control Phương pháp đối chứng tổng hợp Abadie–Diamond–Hainmueller (Synthetic Control Method — SCM)
Synthetic Control		 L2 Stata: synth y x1 x2, trunit(1) trperiod(2018) nested
R: Synth::synth(dataprep.res)
Python: Abadie–Diamond–Hainmueller Constrained Simplex Donor Weight Solver		 Phương pháp Phương pháp đối chứng tổng hợp Abadie–Diamond–Hainmueller (Synthetic Control Method — SCM) (Synthetic Control) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B151 augmented_synthetic_control Đối chứng tổng hợp tăng cường hiệu chỉnh chệch Ridge và hoàn thiện ma trận (ASCM / FECT)
Ridge-Augmented & Matrix-Completion Synthetic Control (ASCM / FECT)		 L3 Stata: synth + Ridge debiasing / fect (ssc install synth; Ridge outcome bias-correction + conformal inference)
R: Synth + glmnet / fect (Synth::synth + glmnet Ridge bias-correction & fect::fect(..., method = "mc") trên CRAN active; tương thích augsynth)
Python: pysyncon (pysyncon.AugSynth + Chernozhukov–Wüthrich–Zhu conformal $p$-value & in-space placebo)		 Khắc phục chệch khớp không hoàn hảo trước can thiệp (imperfect pre-treatment fit) của Synthetic Control cổ điển khi đơn vị xử lý nằm gần hoặc ngoài bao lồi (convex hull) của nhóm đối chứng thông qua hiệu chỉnh chệch mô hình kết quả Ridge hoặc hoàn thiện ma trận nhân tố ẩn.
B159 double_ml Học máy khử chệch trực giao Neyman hai bước Chernozhukov (Double / Debiased Machine Learning — DML)
Double ML		 L3 Stata: xporegress y d, controls(x1-x10) xfolds(5)
R: DoubleML::DoubleMLPLR$new(data, ml_l, ml_m)$fit()
Python: DoubleML Cross-Fitted Neyman-Orthogonal Partialling-Out PLR		 Phương pháp Học máy khử chệch trực giao Neyman hai bước Chernozhukov (Double / Debiased Machine Learning — DML) (Double ML) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B160 causal_forest Rừng ngẫu nhiên nhân quả ước lượng tác động điều trị không đồng nhất cá thể Wager–Athey (Causal Forest)
Causal Forest		 L4 Stata: Causal Forest CATE via Python/R GRF integration
R: grf::causal_forest(X, Y, W) -> grf::average_treatment_effect(cf)
Python: Orthogonal R-Learner / Causal Forest CATE(x) Estimator		 Phương pháp Rừng ngẫu nhiên nhân quả ước lượng tác động điều trị không đồng nhất cá thể Wager–Athey (Causal Forest) (Causal Forest) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 9.4

Dựa trên kinh nghiệm phản biện và hướng dẫn luận văn, luận án thực tế, chúng ta có thể áp dụng quy tắc chọn nhanh sau đây:

Điều hướng Học tập trong Nhóm 9.4:
↑ Quay lại Tổng quan Chương 09: Chương 09 — Suy luận nhân quả và đánh giá tác động chính sách
→ Đi tới Bài học đầu tiên của Nhóm 9.4: Bài B138 — Trọng số nghịch đảo xác suất điều trị Horvitz–Thompson (Inverse Probability Weighting — IPW) (ipw)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 9.4: Tác động điều trị & Nhân quả ML (treatment_effects) - PreviousBài B137: Cân bằng trọng số Entropy chính xác moment Hainmueller (Entropy Balancing ebal) (Entropy Balancing — entropy_balancing)Next - Nhóm 9.4: Tác động điều trị & Nhân quả ML (treatment_effects)Bài B138: Trọng số nghịch đảo xác suất điều trị Horvitz–Thompson (Inverse Probability Weighting — IPW) (IPW — ipw)

Bài liên quan

Đã xem gần đây

Back to top button