Прикладной причинный вывод в региональных экономико-поведенческих моделях принятия бизнес-решений
https://doi.org/10.34020/2073-6495-2024-2-081-100
Аннотация
В последнее время обозреватели поведенческого исследования операций испытывают повышенный интерес к моделям на основе причинного вывода, авторами отмечается дефицит обсервационных исследований на национальных рынках недвижимости. Настоящее эмпирическое исследование восполняет этот пробел. Его исследовательские гипотезы касаются пользы включения поведенческих факторов в модели систем принятия решений и оптимизации инструментальной политики компаний. Работа имеет как научное, так и прикладное значение. Новизна состоит в применении продвинутых методов машинного обучения с выходом на оценку условного причинного эффекта.
Ключевые слова
поведенческое исследование операций,
причинный вывод,
неприятие убытков,
ценообразование,
дисконт,
премии
Об авторе
Д. В. Михайлов
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
Россия
Россия
Михайлов Дмитрий Владимирович – аспирант, кафедра анализа систем и принятия решений
Екатеринбург
Список литературы
1. Георги М.Ю. Методы извлечения причинности из данных наблюдений в практике искусственного интеллекта // Известия Южного федерального университета. Технические науки. 2023. № 3 (233). С. 125–134.
2. Михайлов Д.В., Тарасьев А.М . Системы поддержки принятия решений в контексте девелопмента: критический анализ публикаций // Весенние дни науки. Сборник докладов международной конференции студентов и молодых ученых. Екатеринбург, 2023. С. 69–73.
3. Орлова Е.В . Критический анализ методов моделирования причинных связей // Стратегическое планирование и развитие предприятий: материалы ХХIV Всероссийского симпозиума. Москва, 11–12 апреля 2023 г. / под ред. чл.-корр. РАН Г.Б. Клейнера. М.: ЦЭМИ РАН, 2023. С. 618–622. DOI: 10.34706/978-5-8211-0814-2-s3-16. EDN: WPGODU.
4. Amit Sharma, Emre Kiciman. DoWhy: An End-to-End Library for Causal Inference. 2020. URL:https://arxiv.org/abs/2011.04216.
5. Athey S. & Imbens G. Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of Sciences. 2016.
6. Engström P. & Nordblom K. & Stefánsson A. Loss aversion and indifference to tax rates: Evidence from tax filing data // Journal of Economic Behavior & Organization, Elsevier, 2022. Vol. 200(C). Pp. 287–311.
7. Green J. & White M.H., II. Machine Learning for Experiments in the Social Sciences. Cambridge University Press, Elements Series in Experimental Political Science. 2023.
8. Helen X.H., Bao and Charlotte C. Meng . Loss Aversion and Housing Studies // Journal of Real Estate Literature. 2017. Vol. 25, no. 1. Pp. 49–75.
9. Helen X.H. Bao & Rufus Saunders. Reference dependence in the UK housing market, Housing Studies 2023. Vol. 38. no. 7. Pp. 1191–1219. DOI: 10.1080/02673037.2021.1935767.
10. Ho, Teck-Hua et al. OM forum–Causal inference models in operations management // Manufacturing & Service Operations Management 19.4. 2017. Pp. 509–525.
11. Künzel , Sören R. et al . Metalearners for estimating heterogeneous treatment effects using machine learning // Proceedings of the national academy of sciences 116.10. 2019. Pp. 4156–4165.
12. Lausberg C. & Krieger P. Decision Support Systems in Real Estate: History, Types and Applications // Decision Support Systems: Types, Advantages and Disadvantages / ed. F.J. Roberts, 1-77. Hauppauge/NY: Nova. 2021.
13. Microsoft Research. EconML: A Python Package for ML-Based Heterogeneous Treatment Effects Estimation. URL: https://github.com/microsoft/EconML,2019.Version0.x.
14. Molak A. Causal Inference and Discovery in Python: Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more. Packt Publishing, 2023.
15. Pearl J., Glymour M., Jewell N.P . Causal inference in statistics: A primer. Wiley. 2016.
16. Zhao, Yan , Xiao Fang , David Simchi-Levi . Uplift modeling with multiple treatments and general response types. Proceedings of the 2017 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics, 2017.
17. Athey Susan. 21. The Impact of Machine Learning on Economics. The Economics of Artificial Intelligence: An Agenda, edited by Ajay Agrawal, Joshua Gans and Avi Goldfarb, Chicago: University of Chicago Press, 2019. Pp. 507–552. URL: https://doi.org/10.7208/9780226613475-023 (дата обращения: 20.01.2024).
18. Bao H.X.H. , Meng C.C. & Wu J . Reference dependence, loss aversion and residential property development decisions // J. Hous and the Built Environ. 2021. Vol. 36. Pp. 1535–1562. URL: https://doi.org/10.1007/s10901-020-09803-y (дата обращения: 20.01.2024).
19. Chernozhukov V., Chetverikov D. , Demirer M., Duflo E. , Hansen C. , Newey W., Robins J. (2016). Double/Debiased Machine Learning for Treatment and Causal Parameters. arXiv preprint. URL: https://doi.org/10.48550/ARXIV.1608.00060 (дата обращения: 20.02.2024).
20. Facure M.A . (2020). Causal Inference for The Brave and True. URL: https://matheus-facure.github.io/python-causality-handbook/landing-page.html (дата обращения: 20.02.2024).
21. Leung Tin Cheuk and Tsang Kwok Ping, Anchoring and Loss Aversion in the Housing Market: Implications on Price Dynamics (November 29, 2010). URL: http://dx.doi.org/10.2139/ssrn.1716826 (дата обращения: 20.01.2024).
22. Levin Y., Nediak M. & Bazhanov A. Quantity Premiums and Discounts in Dynamic Pricing. Operations Research, 2014. 62 (4), 846–863. URL: http://www.jstor.org/stable/24540665 (дата обращения: 05.02.2024).
23. Patrick Blöbaum , Peter Götz , Kailash Budhathoki , Atalanti A. Mastakouri , Dominik Janzing. DoWhy-GCM: An extension of DoWhy for causal inference in graphical causal models. 2022. URL: https://arxiv.org/abs/2206.06821 (дата обращения: 25.02.2024).
24. Sharma A., Kiciman E . Getting Started with Causal Inference: URL: https://causalinfece.gitlab.io/ (дата обращения: 25.12.2023).
25. Xuan Zhang , Wai Ching Lam , Fan Liu , Mengdan Li , Lin Zhang , Weifeng Xiong , Xiaohan Zhou, Ran Tian, Chongya Dong , Chen Yao, David Moher , Zhaoxiang Bian . A Cross-sectional literature survey showed the reporting quality of multicenter randomized controlled trials should be improved // Journal of Clinical Epidemiology, 2021. Vol. 137. Pp. 250–261. ISSN 0895-4356. URL: https://doi.org/10.1016/j.jclinepi.2021.05.008 (дата обращения: 20.11.2023).
Рецензия
Для цитирования:
Михайлов Д.В. Прикладной причинный вывод в региональных экономико-поведенческих моделях принятия бизнес-решений. Вестник НГУЭУ. 2024;(2):81-100. https://doi.org/10.34020/2073-6495-2024-2-081-100
For citation:
Mikhailov D.V. Applied causal inference in regional economic-behavioral models of business decision making. Vestnik NSUEM. 2024;(2):81-100. (In Russ.) https://doi.org/10.34020/2073-6495-2024-2-081-100
Послать статью по эл. почте 
