Clase 189 — DoubleML / EconML: Machine Learning para causalidad

Parte: 3 — Estadística Inferencial y Causal · Fuente: Chernozhukov et al. (2018) DML + docs DoubleML + EconML. ⏱️ Duración estimada: 95 min.

🎯 Objetivo

Aplicar Double Machine Learning (Chernozhukov 2018) y EconML (Microsoft Research) para estimar ATE y CATE (Conditional ATE — heterogeneidad del efecto) usando cualquier ML como nuisance estimator (Random Forest, XGBoost, neural net). Inference válida (CI, p-value) sin asumir linearidad de los confounders.

📚 Resultados de aprendizaje

Al finalizar, el estudiante podrá:

• Explicar Neyman-orthogonal score y por qué DML es doubly robust.
• Aplicar DoubleMLPLR para ATE con ML nuisance.
• Usar CausalForestDML de EconML para CATE personalizado.
• Cross-fitting: K-fold para evitar overfitting del nuisance.
• Inspeccionar policy óptimo: policy_tree para árbol de decisión de tratamiento.

🗺️ Temas

• Marco PLR (Partially Linear Regression): Y = θT + g(X) + ε, T = m(X) + v.
• Score orthogonal: derivada respecto a nuisances = 0 en expectation.
• Cross-fitting: estimar nuisances en fold A, evaluar en B.
• CATE: efecto por subgroup.
• Heterogeneity tests.
• Policy learning: decidir a quién tratar.

📖 Definiciones y características

• ATE (Average Treatment Effect): E[Y(1) - Y(0)].
• CATE: E[Y(1) - Y(0) | X=x].
• Nuisance functions: g(X) = E[Y|X], m(X) = E[T|X].
• Doubly robust: consistente si o g o m es correctamente especificado.
• Cross-fitting: K folds, estimar nuisance en train fold, evaluar score en test fold.
• CausalForestDML: random forest entrenado para minimizar heterogeneidad del effect (no error de predicción).

📂 Dataset / recursos

• Sintético con efectos conocidos (de econml.tests.dgps).
• Lalonde 1986 (NSW training program) — clásico.
• IHDP (Infant Health and Development).
• Librerías: doubleml, econml, scikit-learn, xgboost.

🧪 Ejercicios

1. Sintético: simular Y = 2·T + 3·X1 + X2² + ε, T = P(...|X). ATE verdadero = 2.
2. DML básico: DoubleMLPLR(data, ml_g=RF, ml_m=RF, n_folds=5). Reportar θ̂.
3. Comparar OLS vs DML: OLS lineal con Y ~ T + X1 + X2 sesgado por X2 no lineal. DML lo recupera.
4. CausalForestDML: con dataset heterogéneo, estimar CATE. Mapa por X1.
5. Policy tree: econml.policy.PolicyTree para decidir a quién tratar.

📝 Homework verificable

Estimar efecto causal sobre dataset con confounders no lineales:

1. Generar dataset sintético (econml.dgps.ihdp_surface_B o custom).
2. Estimar ATE con: (a) diferencia ingenua, (b) OLS lineal, (c) DML RF, (d) DML XGBoost.
3. Reportar bias contra ground truth.
4. CATE con CausalForestDML; visualizar heterogeneidad.

Criterio de aceptación: DML recupera ATE con bias < 5 %; OLS lineal sesgado; CATE muestra variación por subgrupo.

⚠️ Errores comunes

❓ Preguntas frecuentes

❓ DML o regresión clásica?

Si confounders few + relación cerca-lineal: regresión OK. Si muchos / no lineales / interacciones: DML.

❓ DoubleML vs EconML?

DoubleML: más académico, claro framework. EconML: más features (instrumental variables, dynamic treatment, policy). En la práctica complementarios.

❓ Random Forest mejor que XGBoost como nuisance?

Suele dar similar. Probar ambos y elegir el mejor en out-of-fold prediction.

❓ Causal Forest = Random Forest?

NO. Causal Forest divide para minimizar heterogeneidad del efecto causal, no error de Y.

❓ Cuántos samples?

Mínimo 1000-5000 para CATE confiable. Para ATE, menos.

🔗 Referencias

• Chernozhukov, Chetverikov, Demirer et al. (2018), Double/Debiased Machine Learning, Econometrics Journal.
• Athey & Wager (2019), Estimating Treatment Effects with Causal Forests.
• Imbens (2020), Potential Outcome and Directed Acyclic Graph Approaches to Causality.
• DoubleML docs, EconML docs.

📥 Material descargable

• 📄 Guía explicativa (PDF) — versión imprimible con todo el contenido de la clase.
• 🎞️ Presentación (PPTX) — deck PowerPoint listo para proyectar en clase.
• 🧮 Notebook ejecutable (.ipynb) — abrilo desde el laboratorio del programa o desde Jupyter.

➡️ Siguiente clase

Clase 190 — Uplift modeling, DiD (difference-in-differences)