Quantile Treatment Effects estimated using Causal Machine Learning: Theory and Empirics

点击翻译按钮获取中文摘要

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。