AI与政策因果评估

论文研究在高维干扰参数存在时，如何对低维处理效应或结构参数进行有效推断。作者指出，直接把正则化机器学习结果代入估计方程会因正则化偏差和过拟合而失去根号样本量收敛。双重/去偏机器学习结合Neyman正交得分与交叉拟合，降低目标参数对干扰函数误差的敏感性，并在较弱条件下获得近似无偏、渐近正态的估计；框架覆盖部分线性模型、工具变量、ATE、ATT和LATE等问题。

论文面向个性化政策与处理效应异质性问题，将随机森林扩展为非参数因果森林。在潜在结果框架和无混杂假设下，作者证明因果森林对真实处理效应逐点一致，具有中心化的渐近高斯分布，并据此构造置信区间。实验显示，面对大量无关协变量时，因果森林比基于最近邻匹配的经典方法更有统计功效，从而同时支持灵活的异质性学习与有效推断。

论文从应用计量经济学视角解释机器学习应如何进入经济学工具箱。核心区分是：机器学习主要优化预测，而许多经济学应用关注参数估计与机制解释，两类任务的目标和评价标准并不相同。作者据此讨论算法何时擅长、何时可能失败，以及经济学家如何识别适合机器学习的问题，特别提醒软件易用性会放大机械套用和误读输出的风险。