國立臺灣大學管理學院二號館 104 教室。2025年8月27日 (三)，09:20 ～ 16:40。
研習營講者：Jauer
我們關注的是處置效果的異質性，亦即探究不同個體對處置，介入或政策所產生的反應差異。具體而言，我們的研究目標包括：估計條件平均處置效果 (CATE) 函數的最佳線性近似，或將 CATE 視為設計個別化政策 (personalized policies) 的中介手段，更著重於政策相對於基準政策所能帶來的效益提升。此類分析有助於掌握個體對處置反應的異質性，特別適用於資源有限，無法對所有對象實施處置，需進行優先排序的實務場景。例如，在預算有限的情況下，電商平台須有效辨識對折扣券最可能產生回應的潛在消費者，以提升整體行銷效益。為了實現上述目標，可考慮多種方法，包括 Meta-Learner 系列中的 T-learner， S-learner， X-learner，AIPW-learner 和 R-learner。此外，經濟學界已有兩種具代表性的因果機器學習方法：雙重機器學習（Double Machine Learning, DML）與因果隨機森林 (Causal Forests, GRF)。這些計量方法皆是針對進行因果推論分析而修正過的機器學習演算法，不僅可應用於處置效果的估計與個別化目標設定 (personalized targeting)，亦能為估計出的因果參數提供一致且有效的標準誤。
研習營的課程安排如下：上午兩個場次將介紹雙重機器學習，包括其計量經濟方法的說明與實作。下午兩個場次則聚焦於因果隨機森林，亦包含理論概念解說與實務應用練習。
- L01 introduction.pdf
- L02 high-dimensional econometrics.pdf
- L03 double selection and partialling out.pdf
- L04 dml framework.pdf
- L05 hands-on dml R.html
- L06 hands-on dml Stata.do
- L07 cate aipw doubly-robust.pdf
- L08 causal forests.pdf
- L09 hands-on grf R.html
- L10 hands-on causal forests Stata.do
Jau-er Chen and Annette Jing (2025), Recent Advances in Causal Machine Learning and Dynamic Policy Learning, Wiley Interdisciplinary Reviews: Computational Statistics, 17(4), 1–27.
Jauer 