Implementation of Sample Selection Estimators into Double Machine Learning Framework

Ing. Michaela Kecskésová

Bakalářská práce

Anotace:

Táto práca predstavuje tzv. dvojité strojové učenie (Double Machine Learning - DML), rámec navrhnutý na odhadovanie vektorov parametrov vo vysokodimenzionálnom prostredí, kde môže byť počet premenných potenciálne veľmi veľký. Okrem všeobecného popisu tohto rámca je hlavným cieľom práce implementovať nedávne rozšírenie DML do DoubleML, populárnej knižnice jazyka Python pre modely založené na DML, ktorej spoluautorom je priamo hlavný autor DML. Toto rozšírenie rieši situácie, v ktorých sú závislé premenné selektívne nepozorované v dôsledku výberu vzorky alebo úbytku výsledkov, ako napríklad mzdy u nezamestnaných jednotlivcov.

Abstract:

This thesis presents an overview of Double Machine Learning (DML), a framework designed for estimating lower-dimensional parameter vectors in high-dimensional settings, where the number of variables can potentially be very large. In addition to outlining the general framework, the main goal of the thesis is to implement a recent extension of DML into DoubleML, a popular Python library for DML-based models, co-written directly by the main author of DML. The extension addresses situations where outcomes are selectively unobserved due to sample selection or outcome attrition, such as wages for unemployed individuals.

Keywords

Double machine learning, causal analysis, econometrics, sample selection, DoubleML, Python

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 23. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 24. 6. 2024
• Vedoucí: RNDr. Martin Jonáš, Ph.D.
• Oponent: RNDr. Vít Musil, Ph.D.

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Informatika