Uso de herramientas de machine learning para la estimación de efectos de tratamiento heterogéneos.

Abstract

La investigación se centra en la presentación, análisis y comparación de diversos meta-algoritmos, los cuales permiten modelar de forma flexible, usando algoritmos de machine learning tradicionales, los efectos individuales de un determinado tratamiento. A través de simulaciones controladas que buscan representar distintas estructuras de efectos heterogéneos, se evalúa el rendimiento de estos algoritmos usando distintas métricas de riesgo. Se concluye que, si bien algunos modelos muestran mejor desempeño predictivo, esto no implica una mejor estimación causal. Como aplicación empírica, se implementa la metodología en un caso real aplicado a una empresa de préstamos personales, donde se analiza la sensibilidad de los clientes a la tasa de interés en función de múltiples variables. Los resultados permiten segmentar clientes según su propensión a aceptar distintas condiciones crediticias, lo cual representa una herramienta estratégica para la personalización de ofertas con el fin de maximizar la rentabilidad del negocio. El trabajo concluye mencionando posibles extensiones metodológicas, incluyendo múltiples tratamientos -sean estos discretos o continuos- y el uso de variables instrumentales.