Evaluating Program Sequences with Double Machine Learning: An Application to Labor Market Policies
用双重机器学习评估项目序列：劳动力市场政策应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究动态混杂下的序贯政策因果评估及双重机器学习估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用双重机器学习评估项目序列：劳动力市场政策应用
- 研究问题
- 当观察性政策项目分阶段分配且决策可在后续时期调整时，如何处理动态混杂，评估项目序列及动态政策对应的现实反事实？
- 方法与思路
- 作者梳理序贯项目评估的识别假设和动态政策目标量，介绍多处理、多时期的双重机器学习估计，并应用于可在两期调整分配的瑞士劳动力市场政策。
- 材料陈述的贡献
- 摘要称，文章解释并应用序贯 DML 政策评估；瑞士行政数据分析中，临时工资补贴平均效果最好，且调整其较长持续时间后这一结果仍成立。
- 阅读关注点
- 应核对动态混杂下的识别与重叠条件、政策序列和动态规则的区别、辅助模型及样本划分，以及项目持续时间如何进入比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整识别条件及效应数值，应用中的项目比较不能直接推广至其他政策环境。
原文摘要
Many programs evaluated in observational studies incorporate a sequential structure, where individuals may be assigned to various programs over time. While this complexity is often simplified by analyzing programs at single points in time, this paper reviews, explains, and applies methods for program evaluation within a sequential framework. It outlines the assumptions required for identification under dynamic confounding and demonstrates how extending sequential estimands to dynamic policies enables the construction of more realistic counterfactuals. Furthermore, the paper explores recently developed methods for estimating effects across multiple treatments and time periods, utilizing Double Machine Learning (DML), a flexible estimator that avoids parametric assumptions while preserving desirable statistical properties. Using Swiss administrative data, the methods are demonstrated through an empirical application assessing the participation of unemployed individuals in active labor market policies, where assignment decisions by caseworkers can be reconsidered between two periods. The analysis identifies a temporary wage subsidy as the most effective intervention, on average, even after adjusting for its extended duration compared to other programs. Overall, DML-based analysis of dynamic policies proves to be a useful approach within the program evaluation toolkit.