Субботовский Д.А., Голюков И.В., Нагапетян А.Р. Подбор гиперпараметров двойного машинного обучения для оценки причинного эффекта в условиях слабой идентификации

Научная статья
УДК 004.85:519.2
https://doi.org/10.24158/tipor.2026.9.16
 

Подбор гиперпараметров двойного машинного обучения

для оценки причинного эффекта в условиях слабой идентификации

 

Дмитрий Андреевич Субботовский¹, Иван Викторович Голюков²,
Артур Рубикович Нагапетян^3
1,2,3Дальневосточный федеральный университет, Владивосток, Россия,
¹subbotovskii.da@dvfu.ru, https://orcid.org/0009-0001-1421-2157
²goliukov.iv@dvfu.ru, https://orcid.org/0009-0009-5568-2081
³nagapetyan_ar@dvfu.ru, https://orcid.org/0000-0002-7885-2460
 
Аннотация. Оценка причинного влияния показателя обеспеченности населения врачами на смертность от новообразований методом DoubleML PLIV осложняется слабостью доступных пространственных инструментов и чувствительностью точечной оценки к выбору гиперпараметров при их значениях по умолчанию. На панели 83 регионов России за 2012–2019 гг. (663 наблюдения) протестированы 15 конфигураций обучателя, числа фолдов и состава контролей; отбор выполнен по целевой функции, штрафующей разброс оценки по 50 разбиениям выборки и качество аппроксимации вспомогательных функций. Конфигурации дополнительно проверены на калиброванной симуляции (F ≈ 5) с известным истинным эффектом. Показано, что отбор по одной устойчивости оценки может ошибочно предпочесть недообученную модель, тогда как с учетом штрафа за недообучение устойчиво лидирует случайный лес на реальных данных; в независимой симуляции это преимущество подтверждается только относительно градиентного бустинга, тогда как от lasso и SVM ranger статистически не отличим. Результаты дают практическую рекомендацию для причинного машинного обучения в региональном здравоохранении со слабыми инструментами.
Ключевые слова: причинное машинное обучение, DoubleML, PLIV, слабые инструментальные переменные, гибридная идентификация, региональное здравоохранение, предотвратимая смертность
Финансирование:проект № ДВФУ-ФЦК-26-05-5.02-0005 выполнен в рамках реализации договора пожертвования денежных средств от 13.02.2026 №Д-036-26 Фонда целевого капитала ДВФУ на финансирование проектов-победителей открытого конкурса проектов поисковых исследований в области экономики и менеджмента на период с 01.03.2026 по 30.12.2026 гг. Школы экономики и менеджмента из дохода от доверительного управления целевым капиталом «Стратегические проекты ДВФУ (Целевое назначение пожертвования СБЕР (ПАО) наразвитие ШЭМ).
Для цитирования: Субботовский Д.А., Голюков И.В., Нагапетян А.Р. Подбор гиперпараметров двойного машинного обучения для оценки причинного эффекта в условиях слабой идентификации // Теория и практика общественного развития. 2026. № 9. С. 150–158. https://doi.org/10.24158/tipor.2026.9.16.
 
Original article
 

Selection of Double Machine Learning

for Causal Effect Estimation under Weak Identification

 
Dmitry A. Subbotovsky¹, Ivan V. Golyukov²,
Artur R. Nagapetyan^3
1,2,3Far Eastern Federal University, Vladivostok, Russia,
¹subbotovskii.da@dvfu.ru, https://orcid.org/0009-0001-1421-2157
²goliukov.iv@dvfu.ru, https://orcid.org/0009-0009-5568-2081
³nagapetyan_ar@dvfu.ru, https://orcid.org/0000-0002-7885-2460
 
Abstract. Estimating the causal effect of the factor of physician supply on cancer mortality with DoubleML PLIV is complicated by the spatial instruments weakness and the point estimate sensitivity to hyperparameters choice under their default settings. Using a panel of 83 Russian regions for 2012–2019 (663 observations), 15 configurations of a learner, the number of folds, and the control composition were tested; the selection was implemented under an objective function penalising the dispersion across 50 sampling splits and auxilary function approximation quality. Configurations were validated on a simulation calibrated (F ≈ 5) with a known true effect for good measure. It was shown that we can prefer wrongly an undereducated model, whereas with the penalty for undereducation, random forest on real data is firmly in the lead; in the independent simulation, this advantage is affirmed only by contrast with gradient boosting, while it is statistically indistinguishable from lasso and SVM ranger. The results yield a practical recommendation for causal machine learning in regional healthcare with weak instruments.
Keywords: causal machine learning, DoubleML, PLIV, weak instrumental variables, hybrid identification, regional healthcare, preventable mortality
Funding: The project No. FEFU-FCC-26-05-5.02-0005 was carried out within the framework of the implementation of the fund donation agreement, dated February 13, 2026, No. D‑036‑26, between the FEFU Endowment Fund and the project winners of the open competition for research project proposals in the field of economics and management for the period from March 1, 2026, to December 30, 2026 of the School of Economics and Management from the income generated by the trust management of the endowment “Strategic Projects of FEFU (Intended purpose of the donation from SBER (PJSC) for the development of the SEM).
For citation: Subbotovsky, D.A., Golyukov, I.V. & Nagapetyan, A.R. (2026) Selection of Double Machine Learning for Causal Effect Estimation under Weak Identification. Theory and Practice of Social Development. (9), 150–158. Available from: doi:10.24158/tipor.2026.9.16 (In Russian).

© Субботовский Д.А., Голюков И.В., Нагапетян А.Р., 2026

Список источников:
 
Влияние обеспеченности онкологами на смертность от новообразований в регионах России / Д.А. Субботовский [и др.] // Journal of Applied Economic Research. 2023. Т. 22, № 4. С. 892–931. https://doi.org/10.15826/vestnik.2023.22.4.036.
Angrist J.D., Pischke J.-S. Mostly Harmless Econometrics: An Empiricist's Companion. Princeton, 2009. 373 p. https://doi.org/10.1515/9781400829828.
Athey S., Tibshirani J., Wager S. Generalized Random Forests // The Annals of Statistics. 2019. Vol. 47, iss. 2. P. 1148–1178. https://doi.org/10.1214/18-AOS1709.
Bach P., Kurz M.S., Chernozhukov V., Spindler M., Klaassen S. DoubleML: An Object-Oriented Implementation of Double Machine Learning in R // Journal of Statistical Software. 2024. Vol. 108, iss. 3. P. 1–56. https://doi.org/10.18637/jss.v108.i03.
Belloni A., Chen D., Chernozhukov V., Hansen C. Sparse Models and Methods for Optimal Instruments with an Application to Eminent Domain // Econometrica. 2012. Vol. 80, iss. 6. P. 2369–2429. https://doi.org/10.3982/ECTA9626.
Chernozhukov V., Chetverikov D., Demirer M., Duflo E., Hansen C., Newey W., Robins J. Double/Debiased Machine Learning for Treatment and Structural Parameters // The Econometrics Journal. 2018. Vol. 21, iss. 1. P. C1–C68. https://doi.org/10.1111/ectj.12097.
Hansen C., Kozbur D. Instrumental Variables Estimation with Many Weak Instruments Using Regularized JIVE // Journal of Econometrics. 2014. Vol. 182, iss. 2. P. 290–308. https://doi.org/10.1016/j.jeconom.2014.04.022.
Künzel S.R., Sekhon J.S., Bickel P.J., Yu B. Metalearners for Estimating Heterogeneous Treatment Effects Using Machine Learning // Proceedings of the National Academy of Sciences. 2019. Vol. 116, iss. 10. P. 4156–4165. https://doi.org/10.1073/pnas.1804597116.
Mullainathan S., Spiess J. Machine Learning: an Applied Econometric Approach // Journal of Economic Perspectives. 2017. Vol. 31, iss. 2. P. 87–106. https://doi.org/10.1257/jep.31.2.87.
Nagapetyan A., Drozd A., Subbotovsky D. How to Determine the Optimal Number of Cardiologists in a Region? // Mathematics. 2023. Vol. 11, № 21. Art. 4422. https://doi.org/10.3390/math11214422.
Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead // Nature Machine Intelligence. 2019. Vol. 1. P. 206–215. https://doi.org/10.1038/s42256-019-0048-x.
Stock J.H., Yogo M. Testing for Weak Instruments in Linear IV Regression // Identification and Inference for Econometric Models: Essays in Honor of Thomas Rothenberg. Cambridge, 2005. P. 80–108. https://doi.org/10.1017/cbo9780511614491.006.
Wager S., Athey S. Estimation and Inference of Heterogeneous Treatment Effects Using Random Forests // Journal of the American Statistical Association. 2018. Vol. 113, iss. 523. P. 1228–1242. https://doi.org/10.1080/01621459.2017.1319839.
 
References:
 
Angrist, J.D. & Pischke, J.-S. (2009) Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton. 373 p. Available from: doi:10.1515/9781400829828.
Athey, S., Tibshirani, J. & Wager, S. (2019) Generalized Random Forests. The Annals of Statistics. 47 (2), 1148–1178. Available from: doi:10.1214/18-AOS1709.
Bach, P., Kurz, M.S., Chernozhukov, V., Spindler, M. & Klaassen, S. (2024) DoubleML: An Object-Oriented Implementation of Double Machine Learning in R. Journal of Statistical Software. 108 (3), 1–56. Available from: doi:10.18637/jss.v108.i03.
Belloni, A., Chen, D., Chernozhukov, V. & Hansen C. (2012) Sparse Models and Methods for Optimal Instruments with an Application to Eminent Domain. Econometrica. 80 (6), 2369–2429. Available from: doi:10.3982/ECTA9626.
Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W. & Robins, J. (2018) Double/Debiased Machine Learning for Treatment and Structural Parameters. The Econometrics Journal. 21 (1), C1–C68. Available from: doi:10.1111/ectj.12097.
Hansen, C. & Kozbur, D. (2014) Instrumental Variables Estimation with Many Weak Instruments Using Regularized JIVE. Journal of Econometrics. 182 (2), 290–308. Available from: doi:10.1016/j.jeconom.2014.04.022.
Künzel, S.R., Sekhon, J.S., Bickel, P.J. & Yu,B. (2019) Metalearners for Estimating Heterogeneous Treatment Effects Using Machine Learning. Proceedings of the National Academy of Sciences. 116 (10), 4156–4165. Available from: doi:10.1073/pnas.1804597116.
Mullainathan, S. & Spiess, J. (2017) Machine Learning: an Applied Econometric Approach. Journal of Economic Perspectives. 31 (2), 87–106.Available from: doi:10.1257/jep.31.2.87.
Nagapetyan, A., Drozd, A. & Subbotovsky, D. (2023) How to Determine the Optimal Number of Cardiologists in a Region? Mathematics. 11 (21), 4422. Available from: doi:10.3390/math11214422.
Rudin, C. (2019) Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nature Machine Intelligence. 1, 206–215. Available from: doi:10.1038/s42256-019-0048-x.
Stock, J.H. & Yogo, M. (2005) Testing for Weak Instruments in Linear IV Regression. In: Identification and Inference for Econometric Models: Essays in Honor of Thomas Rothenberg. Cambridge, pp. 80–108. Available from: doi:10.1017/cbo9780511614491.006.
Subbotovsky D.A.1, Kalashnikov V.A.1, Drozd A.E.1, Nagapetyan A.R. (2023) The Impact of the Supply of Oncologists on Mortality from Neoplasms in the Regions of Russia. Journal of Applied Economic Research. 22 (4), 892–931. Available from: doi:10.15826/vestnik.2023.22.4.036. (In Russian)
Wager, S. & Athey, S. (2018) Estimation and Inference of Heterogeneous Treatment Effects Using Random Forests. Journal of the American Statistical Association. 113 (523), 1228–1242. Available from: doi:10.1080/01621459.2017.1319839.