机器学习能通过样本直接匹配以及提升倾向得分估计准确度来实现样本的精准匹配,使研究样本更具备"随机化"实验的特征,此外,机器学习方法能够利用复杂关系建模、交叉验证以及正则化等方法来提升样本反事实预测的准确性。
双重机器学习（Double/Debiased Machine Learning, DML）是一种结合了机器学习和因果推断的统计方法，它在经济学管理学领域有着非常广泛的应用，目前国内研究还较少，之后应该是一个趋势，我们特举办了《Stata机器学习与因果推断》课程。
作为《经济研究》首篇且唯一应用双重机器学习的论文，《金融科技的经济稳定器作用：金融加速器理论的视角》值得一读！
王红建,张科,李青原.金融科技的经济稳定器作用：金融加速器理论的视角[J].经济研究,2023,58(12):4-21.
摘要：
以抵押资产约束为核心的金融加速器理论是解释宏观经济波动的重要理论之一。本文基于金融加速器理论考察金融科技对实体经济运行的稳定器作用及其内在机理，这对跨周期宏观调控政策的科学设计具有重要的价值。研究发现：金融科技显著抑制上市企业投资波动，表明金融科技对实体经济运行具有稳定器作用。机制识别发现：金融科技发展通过减少银企间信息不对称，降低抵押品在债务契约中的重要性，从而显著弱化金融加速器效应。异质性检验发现：金融科技对企业投资的稳定作用在非国有企业、房价波动较大地区以及金融监管更严格地区的样本中更显著。本文研究从金融加速器理论视角揭示了金融科技影响实体经济运行的内在机理，可为跨周期调控以及金融科技政策的设计提供理论依据。
关键词：
金融科技;金融加速器理论;投资波动;稳定器作用;
《Stata机器学习与因果推断》系统讲解机器学习与因果推断的交叉应用，重点聚焦双重机器学习（Double/Debiased Machine Learning, DML）国际前沿方法及其在中文顶刊科研应用。从Stata编程→因果推断→机器学习→反事实框架→双重机器学习→顶刊复现（《系统工程理论与实践》《科研管理》《数量经济技术经济研究》等），手把手实现科研实操。
