Statistical learning and causal effects : an application to Bolsa Família Program

Abstract

In this work we employ a study of statistical and machine learning methods for heterogenous treatment effect. Heterogenous treatment effect is also called Conditional Average Treatment Effect (CATE). We analyze general methods (off-the-shelf methods) and those tailored for causal inference: causal tree, causal forest and generalized causal forest. Beyond that, we explore one of those methods in the context of an empirical application. We explore causal forest methods to search for the heterogeneous treatment effect of a public policy. We evaluate the CATE of Bolsa Família Program.

Neste trabalho realizamos o estudo de métodos de aprendizagem estatística (“statistical learning methods”) e métodos de aprendizado de máquina (“machine learning methods”) para efeitos heterogêneos de tratamento. Tais tipos de efeitos são também chamados de efeito médio de tratamento condicional. Estudamos métodos gerais (“offthe-shelf methods”) e aqueles ajustados para inferência causal: arvore causal, floresta causal e floresta aleatória causal. Além disso, exploramos um desses métodos em um contexto de aplicação empírica. Exploramos os métodos de florestas causais para procurar efeitos heterogêneos de tratamento de uma política pública. Avaliamos os efeitos heterogeneous do programa Bolsa Famíia.