Essays on causal inference

Abstract

This paper combines causal mediation analysis with double machine learning for a data-driven control of observed confounders in a high-dimensional setting. The average indirect effect of a binary treatment and the unmediated direct effect are estimated based on efficient score functions, which are robust w.r.t. misspecifications of the outcome, mediator, and treatment models. This property is key for selecting these models by double machine learning, which is combined with data splitting to prevent overfitting. We demonstrate that the effect estimators are asymptotically normal and n −1/2 -consistent under specific regularity conditions and investigate the finite sample properties of the suggested methods in a simulation study when considering lasso as machine learner. We also provide an empirical application to the U.S. National Longitudinal Survey of Youth, assessing the indirect effect of health insurance coverage on general health operating via routine checkups as mediator, as well as the direct effect.

The investigations of adjectives

“…Belə ki, MeToo hərəkatının davamı kimi ortaya çıxan məhkəmə çəkişmələri [5] artıq onun (MeToo subdiskursunun) bir multidiskursiv (yəni, çox sayda diskursa aid olan) fenomen kimi öz təsbitini tapdığını sübuta yetirmişdi. H.Langen də MeToo fenomeninin məhkəmə diskursuna əhəmiyyətli dərəcədə sitayət etdiyini, müəyyən məhkəmə çəkişmələri prosesində səsləndirilən mətnlərdə MeToo hərəkatının apqumentasiya bazasından geniş şəkildə istifadə edildiyini də vurğulamışdır [6]. Onu da qeyd edək ki, ilk olaraq, ingilisdilli sosial mediada formalaşmış MeToo konseptinin daha sonra media diskurs sahəsindəki reallaşması o dərəcədə qlobal mahiyyət kəsb etmişdir ki, tezliklə ölkə sərhədlərini aşaraq ingilisdilli Hindistan qəzet diskursunda [7], eləcə də digər milli (ölkə) qəzet diskuslarının (o cümlədən, Avstraliya, Britaniya və s. ), habelə sosial media məkanlarının gündəmini "işğal etmişdi" [8] ; [9].…”