双重机器学习(DML)在政策评估中的应用.pdfVIP

双双重重机机器器学学习习在在政政策策评评估估中中的的应应用用研研究究

一一、、双双重重机机器器学学习习的的基基本本原原理理

（（一一））双双重重机机器器学学习习的的定定义义与与核核心心思思

双重机器学习（DoubleMachineLearning，DML）是近年来因果推断领域的重要突破，其核心在于通过两阶段估计方法消除

混杂变量对因果效应估计的干扰。该方法由Chernozhukov等学者于2018年提出，通过将机器学习模型与半参数统计框架结

合，有效解决了传统因果推断方法在高维数据场景下的局限性。其核心思可概括为：通过第一阶段机器学习模型对协变量进

行“去相关”处理，在第二阶段估计目标处理效应时实现偏差校正。

（（二二））与与传传统统政政策策评评估估方方法法的的比比较较

相较于工具变量法、双重差分法（DID）等传统方法，DML具有三个显著优势：

1.处理高维数据能力：可同时处理数百个协变量，自动捕捉非线性关系

2.模型灵活性：允许使用任意机器学习算法（随机森林、神经网络等）

3.双重稳健性：只要处理模型或结果模型中至少一个设定正确即可保证估计一致性

传统方法如工具变量法依赖严格的外生性假设，而DML通过数据驱动方式降低了对先验假设的依赖，特别适用于观测性研究

中的政策效果评估。

二二、、DML在在政政策策评评估估中中的的具具体体应应用用场场景景

（（一一））异异质质性性处处理理效效应应分分析析

在政策评估中，DML可通过构建异质性处理效应函数，精准识别政策受益群体：

1.使用随机森林或梯度提升树捕捉个体特征与政策效果的交互作用

2.基于估计的个体处理效应（ITE）进行政策靶向优化

例如在就业扶持政策评估中，可识别出政策对不同教育水平、年龄群体的差异化影响，为精准施策提供依据。

（（二二））观观测测数数据据中中的的因因果果推推断断

当实验设计不可行时，DML为观测数据提供了可靠的因果识别框架：

1.构建部分线性模型（LM）分离处理变量与协变量的影响

2.通过正交化过程消除选择偏差

典型案例包括评估最低工资政策对就业的影响，其中企业规模、行业特征等数十个协变量需要同时控制。

（（三三））动动态态政政策策评评估估

针对连续干预或多期政策场景，DML可扩展为动态双重机器学习：

1.引入时间序列建模处理状态依赖性问题

2.结合强化学习框架优化动态政策路径

在环境规制政策评估中，该方法可有效处理污染物排放的累积效应和政策的动态调整过程。

三三、、DML的的实实施施步步骤骤与与技技术术挑挑战战

（（一一））标标准准操操作作流流程程

典型DML政策评估包含五个关键步骤：

1.数据划分：将样本随机分为K个折叠（通常K=5）

2.第一阶段估计：对每个折叠训练处理模型和结果模型

3.残差计算：基于样本外预测得到正交化处理变量和结果变量

4.第二阶段回归：通过线性模型估计处理效应

5.方差估计：使用自助法或去偏估计量计算标准误

（（二二））模模型型选选择择与与验验证证

关键决策点包括：

1.基础算法选择：LASSO适用于稀疏数据，梯度提升树擅长捕捉交互效应

2.正则化强度调参：通过交叉验证防止过拟合

3.平衡检验：验证处理变量与残差的相关性是否被充分消除

实践中建议采用多种机器学习算法进行稳健性检验，确保估计结果不受特定模型选择影响。

（（三三））常常见见技技术术挑挑战战

1.样本量限制：小样本场景下交叉拟合可能加剧方差膨胀

2.未观测混杂：无法完全消除隐变量带来的偏误

3.模型误设风险：极端梯度提升可能引入非因果关联

4.计算复杂度：高维数据下的运算时间成指数级增长

针对这些问题，最新研究提出使用集成学习方法降低方差，结合领域知识进行变量筛选，以及开发分布式计算框架提升

效率。

四四、、政政策策评评估估实实践践中中的的关关键键问问题题

（（一一））因因果果识识别别假假设设的的检检验验

DML的有效性依赖于三个核心假设：

1.无不可测混杂：所有相关协变量均已观测

2.重叠性：处理组与对照组存在共同支撑区域

3.模型正则化：机器学习估计量满足收敛速率要求

实践中需通过平衡性检验、敏感性分析等手段验证这些假设的合理性。例如，使用倾向得分分布检查重叠性假设，通过添加伪

协变量测试模型稳健性。

（（二二））政政策策效效应应解解读读的的注注意意事事项项

1.区分统计显著性与政策显著性：微小效应可能具有统计意义但缺乏实际价值

2.处理效应异质性的政策含义：正向平均效应可能掩盖对弱势群体的负面影响