Statistical learning and causal effects : an application to Bolsa Família Program

• Ano de defesa: 2023
• Autor(a) principal: Silva, Jeudi Rufino Fernandes da
• Orientador(a): Ziegelmann, Flavio Augusto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Programa Bolsa Família; Aprendizagem; Estatística; Políticas públicas
• Palavras-chave em Inglês: Statistical learning; Machine learning; Heterogeneous treatment effect; Conditional average treatment effect; Causal tress; Causal forest; Generalized random forest; Causal inference; Off-the-shelf methods; Policy analysis; Bolsa família program
• Link de acesso: http://hdl.handle.net/10183/274202

Neste trabalho realizamos o estudo de métodos de aprendizagem estatística (“statistical learning methods”) e métodos de aprendizado de máquina (“machine learning methods”) para efeitos heterogêneos de tratamento. Tais tipos de efeitos são também chamados de efeito médio de tratamento condicional. Estudamos métodos gerais (“offthe-shelf methods”) e aqueles ajustados para inferência causal: arvore causal, floresta causal e floresta aleatória causal. Além disso, exploramos um desses métodos em um contexto de aplicação empírica. Exploramos os métodos de florestas causais para procurar efeitos heterogêneos de tratamento de uma política pública. Avaliamos os efeitos heterogeneous do programa Bolsa Famíia.