Китайская ByteDance (одна из совладельцев TikTok) зарелизила библиотеку CausalMatch python, позволяющую использовать такие методы балансировки и корректировки исходных данных (мэтчинга), как Coarsened Exact Matching (CEM) и Propensity Score Matching (PSM), и, судя по всему, планирует развивать репозиторий, как «исследовательский проект, направленный на интеграцию передовых методов машинного обучения и эконометрики для автоматизации процесса принятия решений». Имплементацию библиотеки CausalMatch можно посмотреть в разделе репозитория Usage Examples.

Методы балансировки или псевдорандомизации часто используются в ходе применения квазиэкспериментальных механик, с помощью которых мы пытаемся восстановить состояние контрольной группы до вмешательства (контрфактическое состояние), и позволяют нам, собственно, определить / выявить псевдо-контрольную группу в нашей выборке. Например, в работе Оценка политики слияний вузов в российской системе высшего образования PSM используется для того, чтобы выявить ВУЗы, которые не были подвергнуты слиянию, но по своим производственным характеристикам очень похожи на те ВУЗы, которые такому слиянию подвергнуты были. В дальнейшем, используя разрывную регрессию (о ней мы писали здесь) и сравнивая экспериментальную и псевдо-контрольную группы, мы можем наблюдать и оценивать наличие или отсутствие эффектов от проведения политики слияния ВУЗов. Вот некоторые выводы исследования #wylse:

1. Объединенные университеты демонстрируют больший прирост эффективности в течение рассматриваемого периода
2. Обнаруженный эффект может быть интерпретирован именно как влияние политики слияний на эффективность вузов
3. Однако этот эффект обнаруживается только около точки разрыва (это значит, что наиболее выражен он среди ВУЗов близких друг к другу по производственным характеристикам)
4. Ограничение: эффект работает в кратко- и среднесрочном периоде; является ли эффект долгосрочным?

@evidencespace