R语言 grf包-heterogeneous treatment effect

最新推荐文章于 2023-08-15 12:05:57 发布

m0_60169218

最新推荐文章于 2023-08-15 12:05:57 发布

阅读量4.6k

点赞数 6

文章标签： r语言 big data

本文链接：https://blog.csdn.net/m0_60169218/article/details/120719251

版权

本文介绍了如何使用R语言的grf包进行因果森林算法，以研究‘节能宣传行为’对家庭能源使用的影响。通过双重差分法（DID）和因果森林方法，分析了政策的异质性效果。DID结果显示平均每月减少8.85 kWh电力消耗，而因果森林揭示了不同用户特征对政策反应的差异，包括房屋类型、大小、价值等因素。

摘要由CSDN通过智能技术生成

最近阅读了文章：Using Machine Learning to Target Treatment The Case of Household Energy Use，写下此文，记录文章的主要内容和R语言grf包causal forest方法的简单过程。

一、文章的基本内容和方法

引言

（1）背景

Machine-learning algorithms have traditionally been built for prediction of from y, rather than parameter estimation of treatment effect β.（机器学习方法主要用于预测y值，而不是β值。）即普通的机器学习方法不能用于因果推断。因此，本文希望可以提出一种可以用于因果推断的机器学习方法，即因果森林算法（causal forest algorithm），依托于R语言generalized random forest 包（grf包，广义随机森林模型）。

（2）目的

文章基于美国家庭的90万能源使用数据，识别“节能宣传行为-在家庭能源报告中提供节能信息”是否可以推动家庭节约能源使用，量化政策效果，探究家庭特征对结果的影响。

方法

（1）数据

美国新英格兰最大的电力公司Eversource提供家庭能源报告（Home Energy Report, HER），在报告中，公司会不定期的提供节能的相关信息。研究地区和用能结构如下方左图。结合了三类数据：来自Eversource的家庭月用电量；Eversource政策刺激的时间安排（treatment）；以及消费者人口和社会经济特征。

本次研究的数据利用了15波政策刺激数据，覆盖了902581个Eversource住宅客户。观察了2013-2018年的每月家庭用电量以及与家庭及其住户相关的横截面特征。其中，部分月份，该公司会提供如下的信息（下方右图），告诉消费者有效能耗、你的能耗和你邻居的能耗的差别，并提供一些节能方案（被视为政策刺激）。