Università Cattolica del Sacro Cuore Millennium Unicatt DocTA DocTA DocTA  

DocTA - Doctoral Theses Archive >
Tesi di dottorato >
CORSO DI DOTTORATO IN ISTITUZIONI E POLITICHE >

Citation:
Please use this identifier to cite or link to this item:
Hammad, Ahmed Tarek. "PROGRAM AND POLICY EVALUATION TECHNIQUES. THE CASUAL MACHINE LEARNING APPROACH", Università Cattolica del Sacro Cuore, XXXIII ciclo, a.a. 2019/20, Milano, [http://hdl.handle.net/10280/110705].

Title: PROGRAM AND POLICY EVALUATION TECHNIQUES. THE CASUAL MACHINE LEARNING APPROACH
Author: HAMMAD, AHMED TAREK
Tutor: MAGGIONI, MARIO AGOSTINO
Supervisor: COLOMBO, PAOLO
Language: ENG
Italian Abstract: L'analisi dei meccanismi causali è stata considerata in varie discipline come la sociologia, l’epidemiologia, le scienze politiche, la psicologia e l’economia. Questi approcci permettere di scoprire relazioni e meccanismi causali studiando il ruolo di una variabile di trattamento (come ad esempio una politica pubblica o un programma) su un insieme di variabili risultato di interesse o diverse variabili intermedie sul percorso causale tra il trattamento e le variabili risultato. Questa tesi si concentra innanzitutto sulla revisione e l'esplorazione di strategie alternative per indagare gli effetti causali e gli effetti di mediazione multipli utilizzando algoritmi di apprendimento automatico (Machine Learning) che si sono dimostrati particolarmente adatti per rispondere a domande di ricerca in contesti complessi caratterizzati dalla presenza di relazioni non lineari. In secondo luogo, la tesi fornisce due esempi empirici in cui due algoritmi di Machine Learning, ovvero Generalized Random Foresta e Multiple Additive Regression Trees, vengono utilizzati per tenere conto di importanti variabili di controllo nell'inferenza causale seguendo un approccio “data-driven”.
English Abstract: The analysis of causal mechanisms has been considered in various disciplines such as sociology, epidemiology, political science, psychology and economics. These approaches allow uncovering causal relations and mechanisms by studying the role of a treatment variable (such as a policy or a program) on a set of outcomes of interest or different intermediates variables on the causal path between the treatment and the outcome variables. This thesis first focuses on reviewing and exploring alternative strategies to investigate causal effects and multiple mediation effects using Machine Learning algorithms which have been shown to be particularly suited for assessing research questions in complex settings with non-linear relations. Second, the thesis provides two empirical examples where two Machine Learning algorithms, namely the Generalized Random Forest and Multiple Additive Regression Trees, are used to account for important control variables in causal inference in a data-driven way. By bridging a fundamental gap between causality and advanced data modelling, this work combines state of the art theories and modelling techniques.
Defense Date: 13-Jan-2022
URI: http://hdl.handle.net/10280/110705
Appears in Collections:CORSO DI DOTTORATO IN ISTITUZIONI E POLITICHE

Files in This Item:

File SizeFormatFull-text availability
tesiphd_completa_Hammad.pdf3,85 MBAdobe PDFunder embargo


Access and Use of Materials in DocTA




 

DocTA è un servizio dell'Università Cattolica del Sacro Cuore realizzato in collaborazione con CINECA
© 2011 UCSC - Tutti i diritti riservati - Powered by DSpace Software - Feedback