|
DocTA - Doctoral Theses Archive >
Tesi di dottorato >
CORSO DI DOTTORATO IN ISTITUZIONI E POLITICHE >
Citazione:
Utilizza queste indicazioni per citare o creare un link a questo documento.
|
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].
|
Titolo: | PROGRAM AND POLICY EVALUATION TECHNIQUES. THE CASUAL MACHINE LEARNING APPROACH |
Autore/i: | HAMMAD, AHMED TAREK |
Tutor: | MAGGIONI, MARIO AGOSTINO |
Coordinatore: | COLOMBO, PAOLO |
Lingua: | ENG |
Abstract in italiano della tesi: | 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”. |
Abstract in inglese: | 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. |
Data di discussione: | 13-gen-2022 |
URI: | http://hdl.handle.net/10280/110705 |
È visualizzato nelle collezioni: | CORSO DI DOTTORATO IN ISTITUZIONI E POLITICHE
|
File in questo documento:
File |
Dimensioni | Formato | Accessibilità |
tesiphd_completa_Hammad.pdf | 3,85 MB | Adobe PDF | non consultabile
|
|
Accesso e utilizzo dei contenuti di DocTA
|