data-science-lab

ML a serviço da inferência. Causal ML e forecasting técnico de fronteira — machine learning usado para inferir, não só prever.

Lucas Hoffnung Bernardo — Economist · Data Scientist · github.com/lbhoffnung

---

Projetos

#	Projeto	Status
3	Para quem a política funciona? — efeitos heterogêneos com Double/Debiased ML	🟢 V1
4	Forecasting hierárquico — reconciliação ótima e o benchmark honesto	🟢 V1

---

3 · Para quem a política funciona?

Causal ML · Double ML / AIPW · Fronteira Chernozhukov–Athey

Um tratamento tem efeito médio conhecido — mas métodos observacionais, mesmo com ML de fronteira, conseguem sequer recuperá-lo? O experimento NSW/Lalonde é o único lugar com gabarito para checar.

Resultado (V1): trocando os controles experimentais pelo PSID, o DML remove ~80% do viés da comparação ingênua — mas não recupera o experimento. O culpado não é o algoritmo, é a falta de suporte comum (74% dos controles com propensity < 0,05): a lição de LaLonde (1986) sobrevive ao ML de 2018. Identificação vem do desenho. → detalhes

4 · Forecasting hierárquico com reconciliação ótima

Séries hierárquicas · Reconciliação MinT · Benchmark rigoroso

Em uma hierarquia real (estado → loja → categoria → depto), como garantir previsões coerentes entre níveis? E quanto a reconciliação realmente melhora a acurácia?

Resultado (V1): no M5-Califórnia (45 séries), um AutoETS bem ajustado bate tudo (MASE 0,817), e a reconciliação MinT ajuda pouco e depende do modelo. O valor real da reconciliação é a coerência entre níveis, não o salto de acurácia — o benchmark honesto que a literatura M5 confirma. → detalhes

---

_{Portfólio — economic-sciences-lab · data-science-lab · data-analysis-lab}