Buchumschlag

Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Petrungaro, Bruno, Constantinou, Anthony C.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence Econometrics Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive Experimental Design for Policy Learning
von: Kato, Masahiro, et al.
Veröffentlicht: (2024)

Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies
von: Sookkongwaree, Chakattrai, et al.
Veröffentlicht: (2025)

From What Ifs to Insights: Counterfactuals in Causal Inference vs. Explainable AI
von: Shmueli, Galit, et al.
Veröffentlicht: (2025)

Statistical Tests for Replacing Human Decision Makers with Algorithms
von: Feng, Kai, et al.
Veröffentlicht: (2023)

Causal-Policy Forest for End-to-End Policy Learning
von: Kato, Masahiro
Veröffentlicht: (2025)

Time series causal discovery with variable lags
von: Petrungaro, Bruno, et al.
Veröffentlicht: (2026)

Identifying Elasticities in Autocorrelated Time Series Using Causal Graphs
von: Tiedemann, Silvana, et al.
Veröffentlicht: (2024)

Learning from Double Positive and Unlabeled Data for Potential-Customer Identification
von: Kato, Masahiro, et al.
Veröffentlicht: (2025)

A Double Machine Learning Approach to Combining Experimental and Observational Data
von: Parikh, Harsh, et al.
Veröffentlicht: (2023)

Unified Causality Analysis Based on the Degrees of Freedom
von: Telcs, András, et al.
Veröffentlicht: (2024)

Data-Automated Policy Learning for Nonlinear Welfare
von: Ai, Chunrong, et al.
Veröffentlicht: (2026)

Individualized Policy Evaluation and Learning under Clustered Network Interference
von: Zhang, Yi, et al.
Veröffentlicht: (2023)

Towards Generalizing Inferences from Trials to Target Populations
von: Huang, Melody Y, et al.
Veröffentlicht: (2024)

$ρ$-GNF: A Copula-based Sensitivity Analysis to Unobserved Confounding Using Normalizing Flows
von: Balgi, Sourabh, et al.
Veröffentlicht: (2022)

Generalized Neyman Allocation for Locally Minimax Optimal Best-Arm Identification
von: Kato, Masahiro
Veröffentlicht: (2024)

Estimating the Value of Evidence-Based Decision Making
von: Abadie, Alberto, et al.
Veröffentlicht: (2023)

Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal
von: Athey, Susan, et al.
Veröffentlicht: (2023)

Policy design in experiments with unknown interference
von: Viviano, Davide, et al.
Veröffentlicht: (2020)

General Bayesian Policy Learning
von: Kato, Masahiro
Veröffentlicht: (2026)

Policy Learning with Distributional Welfare
von: Cui, Yifan, et al.
Veröffentlicht: (2023)

Estimation of Optimal Dynamic Treatment Assignment Rules under Policy Constraints
von: Sakaguchi, Shosei
Veröffentlicht: (2021)

A Gentle Introduction to Conformal Time Series Forecasting
von: Stocker, M., et al.
Veröffentlicht: (2025)

Off-Policy Evaluation via Adaptive Weighting with Data from Contextual Bandits
von: Zhan, Ruohan, et al.
Veröffentlicht: (2021)

Management Decisions in Manufacturing using Causal Machine Learning -- To Rework, or not to Rework?
von: Schwarz, Philipp, et al.
Veröffentlicht: (2024)

Estimating Causal Effects with Double Machine Learning -- A Method Evaluation
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
von: Zhou, Guanhao, et al.
Veröffentlicht: (2025)

Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles
von: Adedayo, S. A.
Veröffentlicht: (2025)

Policy Learning for Optimal Dynamic Treatment Regimes with Observational Data
von: Sakaguchi, Shosei
Veröffentlicht: (2024)

Distributed Causality in the SDG Network: Evidence from Panel VAR and Conditional Independence Analysis
von: Fahim, Md Muhtasim Munif, et al.
Veröffentlicht: (2026)

Regularizing Extrapolation in Causal Inference
von: Arbour, David, et al.
Veröffentlicht: (2025)

Scaling Causal Mediation for Complex Systems: A Framework for Root Cause Analysis
von: Casadei, Alessandro, et al.
Veröffentlicht: (2025)

Calibeating Prediction-Powered Inference
von: van der Laan, Lars, et al.
Veröffentlicht: (2026)

Multiply-Robust Causal Change Attribution
von: Quintas-Martinez, Victor, et al.
Veröffentlicht: (2024)

Synthetic Potential Outcomes and Causal Mixture Identifiability
von: Mazaheri, Bijan, et al.
Veröffentlicht: (2024)

Applied Causal Inference Powered by ML and AI
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2024)

Data Fusion for Partial Identification of Causal Effects
von: Lanners, Quinn, et al.
Veröffentlicht: (2025)

DoubleMLDeep: Estimation of Causal Effects with Multimodal Data
von: Klaassen, Sven, et al.
Veröffentlicht: (2024)

A Causal Inference Framework for Data Rich Environments
von: Abadie, Alberto, et al.
Veröffentlicht: (2025)

Doubly Robust Inference in Causal Latent Factor Models
von: Abadie, Alberto, et al.
Veröffentlicht: (2024)

Estimation and Inference for Causal Functions with Multiway Clustered Data
von: Liu, Nan, et al.
Veröffentlicht: (2024)