7,129
个编辑
更改
无编辑摘要
|description=一名美国微观经济学家
|description=一名美国微观经济学家
}}
}}
{| class="wikitable" width="65%"
{| class="wikitable" width="65%"
|-style="height:30px"
|-style="height:30px"
== 参考文献 ==
== 参考文献 ==
{{Reflist}}
{{Reflist}}
== 外部链接 ==
* [http://faculty-gsb.stanford.edu/athey/ Susan Athey's Homepage]
* [http://www.economicprincipals.com/issues/2007.04.22/246.html Clark Medal to Susan Athey] by David Warsh of Economic Principals
* [https://web.archive.org/web/20070911031559/http://www.gsb.stanford.edu/news/bmag/sbsm0708/kn-athey.html Susan Athey Awarded John Bates Clark Medal] by Joshua Gans in the Stanford Business Magazine, August 2007
====[https://campus.swarma.org/course/1858 计量经济学因果分析工具在快手中的应用]====
在产品迭代和公司决策中，我们常常关心A如何影响B，在不方便使用A/B实验的场景下，我们可以用因果分析的方法，结合观测数据来回答这个问题。主讲人会介绍在快手常用的因果分析计量经济学方法（包括工具变量法、匹配法、双重差分法、合成控制法等），因果分析和机器学习结合的前沿方法（矩阵补全法、基于决策树/随机森林的异质性的因果效应估计等），以及这些方法如何与业务实践相结合。
====[https://campus.swarma.org/course/1858 机器学习的计量经济学应用]====
随着机器学习方法的发展和普及，经济学研究也开始关注相关方法的使用。经典的计量经济方法更加关注参数的统计学特征，关注目标测度的质量，因此研究通常要汇报参数估计和其标准误差；给定有限信息的条件下，机器学习算法能够进行更有效的预测。在面对比如ATE的因果估计，最佳政策分配方案，对价格对消费者选择模型的反事实效应估计等问题时，计量经济学和机器学习方法因结合了二者各自的长处，而能发挥更强的效力。本次分享也将为大家展示如何更好地结合机器学习方法和经济学问题进行因果推断。
== 外部链接 ==
<br>
----
----
本中文词条由因果科学读书会词条梳理志愿者我是猫（74989）翻译审校、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。
本中文词条由因果科学读书会词条梳理志愿者我是猫（74989）翻译审校、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。