Abstract:
The paper proposes a causal supervised machine learning algorithm to uncover treatment
effect heterogeneity in classical regression discontinuity (RD) designs. Extending
Athey and Imbens (2016), I develop a criterion for building an honest “regression discontinuity
tree”, where each leaf of the tree contains the RD estimate of a treatment
(assigned by a common cutoff rule) conditional on the values of some pre-treatment
covariates. It is a priori unknown which covariates are relevant for capturing treatment
effect heterogeneity, and it is the task of the algorithm to discover them, without
invalidating inference. I study the performance of the method through Monte Carlo
simulations, and apply it to the data set compiled by Pop-Eleches and Urquiola (2013)
to uncover various sources of heterogeneity in the impact of attending a better secondary
school in Romania.
A KRTK Közgazdaság-tudományi Intézet teljesítményéről A KRTK KTI a RePEc/IDEAS rangsorában, amely a világ közgazdaság-tudományi tanszékeit és intézeteit rangsorolja publikációs teljesítményük alapján, a legjobb ... Read More »
Tisztelt Kollégák! Tudományos kutatóként, intézeti vezetőként egész életünkben a kutatói szabadság és felelősség elve vezetett bennünket. Meggyőződésünk, hogy a tudomány csak akkor érhet el ... Read More »
Srí Lanka: a 2022-es gazdasági válság leckéje – A. Krueger Lessons from Sri Lanka Anne O. Krueger Jul 25, 2022 – Project Syndicate ... Read More »
A permanens válság korában élünk – J. Meadway We’re living in an age of permanent crisis – let’s stop planning for a ‘return ... Read More »
A 2021 végén, illetve 2022 elején tapaszalt 6, illetve 7%-os cserearányromlás brutális reáljövedelem-kivonást jelentett a magyar gazdaságból. A külső egyensúly alakulásával foglalkozó elemzések többnyire ... Read More »
