📖 В начале апреля вышло очень полезное и методологически аккуратное руководство от Цзехан Лю (Stanford), Цзии Лю (Berkeley) и Ицин Сюй (Stanford) — A Practical Guide to Estimating Conditional Marginal Effects (Liu, Liu, Xu, 2025)
Настоящий must-read для прикладных исследователей, работающих с гетерогенными эффектами!
↔️ Зачем нужны условные предельные эффекты?
🟤В прикладных исследованиях важно понять не просто, есть ли эффект от интервенции, а для кого и в каких условиях она работает сильнее или слабее
🟤Это и есть гетерогенность (неоднородность) эффектов: например, лечение может помогать одним участникам эксперимента, но быть бесполезным или даже вредным для других
🟤Чтобы исследовать гетерогенность, используют модераторы — переменные, от которых может зависеть сила эффекта
🟤Условные предельные эффекты (Conditional Marginal Effects, CME) — это строгое определение того, как средний эффект воздействия меняется в зависимости от значений модератора
↔️ Что не так с классическими подходами?
Линейные модели взаимодействия (linear interaction models) (модели, включающие произведение переменной воздействия и модератора) широко распространены, но часто вводят в заблуждение:
🟤неявно определяют целевой объект оценки
🟤опираются на жесткие допущения (например, линейность)
🟤игнорируют проблему недостаточного перекрытия (overlap) между группами
↔️ Как можно лучше?
Авторы последовательно рассматривают более гибкие и точные методы, которые учитывают ограничения классических моделей:
🟤полупараметрические методы (ядерные оценки)
🟤робастные подходы с обратным взвешиванием (AIPW)
🟤современные методы двойного машинного обучения (DML)
Каждый метод разбирается детально: как он устроен, что именно он оценивает, при каких условиях дает валидные выводы, когда применять. Есть симуляции и примеры из политологии
🖥 Вишенка на торте — всё реализовано большой командой разработчиков в пакете interflex для R: и линейные модели, и ядерные оценки, и двойное машинное обучение
↔️ Один из авторов гайда и контрибьюторов пакета, Ицин Сюй (Stanford), имеет послужной список из множества пакетов в сфере оценки эффектов на панельных данных, крайне рекомендуем к посещению его сайт, на котором можно найти много интересного
↔️ А еще, пользуясь случаем, обратимся к посту коллег по цеху
Недавно в канале Наука и данные выходил пост про книгу Model to Meaning Венсана Арель-Бандока (Université de Montréal), Ноа Грейфера (Harvard University) и Эндрю Хайсса (Georgia State University) по библиотеке marginaleffects
🟤Книга и библиотека посвящены оценке предельных эффектов
🟤Состав авторов книги и контрибьютеров библиотеки довольно именитый, например, Венсана Арель-Бандока вы можете знать по библиотекам modelsummary и tinytable, Ноа Грейфер внес большой вклад в мэтчинг и разработал библиотеки cobalt, weightit, matchIt и др., а Эндрю Хайсс — автор множества учебных материалов по оценке эффектов, визуализации, экономике общественного сектора и др.
#канал_обозревает
#канал_рекомендует
@causal_channel