Fiscal multipliers through machine learning

Bc. Juraj Szitás

Diplomová práce

Anotace:

V tejto práci sú prezentované nové metódy pre odhad tzv. treatment efektov vďaka novým poznatkom z oblasti neparametrických odhadov, ktoré sú zbežne známe ako "strojové učenie". Tieto sú diskutované na začiatku práce, mimo krátkeho odklonu počas ktorého sú diskutované fiškálne multiplikátory, a bežné metódy ich odhadu. Následne je demonštrované ako sa tieto nové metódy strojového učenia dajú použiť na odhad fiškálnych multiplikátorov, a odhadnuté multiplikátory sú diskutované. Je ukázané že odhadnuté multiplikátory majú menší rozptyl než je zbežné v literatúre, a že multiplikátory sú v priemer väčšie ako jedna.

Abstract:

This work presents new methods for estimating treatment effects through recent breakthroughs in non-parametric methods commonly known as 'machine learning'. These are exposed in the first few chapters, barring a short discourse into the topic of fiscal multipliers, and common methods to estimate them. It is then shown how these new methods can be used for the estimation of fiscal multipliers, and estimated multipliers are discussed. It is found that the results are more stable than observed in the current literature, and that multiplier effects are, on average, larger than one.

Keywords

fiškálne multiplikátory, fiškálna politika, strojové učenie, náhodný les, treatment efekty, dvojité strojové učenie, dvojité procedúry na výber modelu, fiscal multipliers, fiscal policy, machine learning, random forest, causal forest, treatment effects, double machine learning, de-biased machine learning, double selection procedures

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 24. 7. 2020

Obhajoba závěrečné práce

• Obhajoba proběhla 10. 9. 2020
• Vedoucí: Ing. Mgr. Vlastimil Reichel
• Oponent: Ing. Jan Čapek, Ph.D.

Masarykova univerzita

Ekonomicko-správní fakulta

Magisterský studijní program / obor:
Matematické a statistické metody v ekonomii / Matematické a statistické metody v ekonomii