Машинное обучение - это про предсказания и классификацию. Статистический причинно-следственный вывод (causal inference) - про количественную оценку эффекта воздействия одной конкретной переменной (например, насколько снизится - и снизится ли вообще - уровень насильственной преступности в уездном городе
Долгое время они действительно развивались параллельно и почти без пересечений. Однако в какой-то момент выяснилось, что впечатляющие вычислительные инструменты ML очень подходят для таких типичных и важных для causal inference вещей, как моделирование конфаундинга (воздействия третьих переменных), гетерогенности эффекта воздействия (то же самое лекарство от головной боли одному человеку поможет, а другому - нет), а также динамических и сетевых
Если вам знакомы такие слова, как мэтчинг, обратное взвешивание по вероятности, инструментальные переменные или разрывный дизайн, хотим обратить ваше внимание на новый обзор в Annual Review of Sociology от Дженни Брэнд, Шиань Джоу и Ю Сиэ (сразу просим прощения за потенциально ошибочную транскрипцию), в котором рассказывается, как во всех этих подходах (и других!) можно использовать методы машинного обучения с пользой для себя и для дела.
А если не знакомы, в статье идеи, лежащие в основании соответствующих дизайнов, объясняются просто и доступно - настолько, что вполне можно давать студентам-неэкономистам в качестве введения в проблематику causal inference.
Brand, J. E., Zhou, X., & Xie, Y. (2023). Recent Developments in Causal Inference and Machine Learning. Annual Review of Sociology, 49. https://doi.org/10.1146/annurev-soc-030420-015345
P.S. В качестве бонуса для тех, кто осилил до конца, - ссылка на лекционные слайды курса Кирилла Борусяка по прикладной эконометрике, прочитанного минувшей осенью в Беркли. Тоже много полезного и интересного.