Подбор гиперпараметров двойного машинного обучения для оценки причинного эффекта в условиях слабой идентификации

Субботовский Д.А. Голюков И.В. Нагапетян А.Р.

Журнал: Теория и практика общественного развития @teoria-practica

Рубрика: Экономика

Статья в выпуске: 9, 2026 года.

Бесплатный доступ

Оценка причинного влияния показателя обеспеченности населения врачами на смертность от новообразований методом DoubleML PLIV осложняется слабостью доступных пространственных инструментов и чувствительностью точечной оценки к выбору гиперпараметров при их значениях по умолчанию. На панели 83 регионов России за 2012–2019 гг. (663 наблюдения) протестированы 15 конфигураций обучателя, числа фолдов и состава контролей; отбор выполнен по целевой функции, штрафующей разброс оценки по 50 разбиениям выборки и качество аппроксимации вспомогательных функций. Конфигурации дополнительно проверены на калиброванной симуляции (F ≈ 5) с известным истинным эффектом. Показано, что отбор по одной устойчивости оценки может ошибочно предпочесть недообученную модель, тогда как с учетом штрафа за недообучение устойчиво лидирует случайный лес на реальных данных; в независимой симуляции это преимущество подтверждается только относительно градиентного бустинга, тогда как от lasso и SVM ranger статистически не отличим. Результаты дают практическую рекомендацию для причинного машинного обучения в региональном здравоохранении со слабыми инструментами.

причинное машинное обучение \ DoubleML \ PLIV \ слабые инструментальные переменные \ гибридная идентификация \ региональное здравоохранение \ предотвратимая смертность

Короткий адрес: https://sciup.org/149152321

IDS: 149152321   |   УДК: 004.85:519.2   |   DOI: 10.24158/tipor.2026.9.16

Selection of Double Machine Learning for Causal Effect Estimation under Weak Identification

Estimating the causal effect of the factor of physician supply on cancer mortality with DoubleML PLIV is complicated by the spatial instruments weakness and the point estimate sensitivity to hyperparameters choice under their default settings. Using a panel of 83 Russian regions for 2012–2019 (663 observations), 15 configurations of a learner, the number of folds, and the control composition were tested; the selection was implemented under an objective function penalising the dispersion across 50 sampling splits and auxilary function approximation quality. Configurations were validated on a simulation calibrated (F ≈ 5) with a known true effect for good measure. It was shown that we can prefer wrongly an undereducated model, whereas with the penalty for undereducation, random forest on real data is firmly in the lead; in the independent simulation, this advantage is affirmed only by contrast with gradient boosting, while it is statistically indistinguishable from lasso and SVM ranger. The results yield a practical recommendation for causal machine learning in regional healthcare with weak instruments.

Текст научной статьи Подбор гиперпараметров двойного машинного обучения для оценки причинного эффекта в условиях слабой идентификации

Введение . Обеспеченность региональной системы здравоохранения профильными врачами традиционно рассматривается как один из ключевых управляемых факторов предотвратимой смертности, однако количественная оценка ее причинного эффекта остается методологически нетривиальной задачей: регионы с более высокой смертностью одновременно испытывают и повышенную потребность в специалистах, и их дефицит из-за оттока кадров, что порождает эндогенность обратной причинности и ограничивает способность органов управления региональным здравоохранением обоснованно распределять ресурсы на основе доказательной политики.

Классический инструментарий для подобных задач – метод инструментальных переменных, требующий переменной, коррелированной с эндогенным регрессором, но не связанной напрямую с исходом (Angrist, Pischke, 2009). Конструирование таких инструментов на основе пространственных матриц (обеспеченность кадрами в соседних регионах, исторические показатели медицинской инфраструктуры) уже применялось нами на тех же региональных данных как для смертности от новообразований (Влияние обеспеченности онкологами на смертность от новообразований в регионах России …, 2023), так и для смежной специализации кардиологов (Nagapetyan et al., 2023). Однако подобные инструменты нередко оказываются слабыми: частный F-критерий первой ступени систематически не достигает порогового значения 10, рекомендованного для надежного асимптотического вывода (Stock, Yogo, 2005).

Одновременно в эконометрике последнего десятилетия сложилось направление, объединяющее строгость квазиэкспериментальных дизайнов с гибкостью машинного обучения, а именно причинное машинное обучение. Ключевой прорыв связан с парадигмой Double/Debiased Machine Learning: вместо прямого использования ML для оценки структурного параметра, что ведет к смещению регуляризации, ML применяется для оценки вспомогательных (nuisance) функций, а сам параметр оценивается через нейман-ортогональную скоринговую функцию с перекрестной подгонкой, обеспечивающей состоятельность при умеренной скорости сходимости базового алгоритма (таблица 1).

Таблица 1. Ключевые работы по причинному машинному обучению и их отношение к задаче исследования1

Table 1 . Key Works on Casual Machine Training and Their Attitude to the Research Task

Источник

Метод

Вклад

Ограничение применительно к задаче

Chernozhukov et al., 2018

Double/Debiased ML (PLR/PLIV), cross-fitting

Состоятельная оценка при ML-аппроксимации nuisance-функций

Устойчивость оценки к выбору гиперпараметров ML не рассматривается

Mullainathan, Spiess, 2017

Сопоставление прогнозного ML и причинного вывода

Показано смещение регуляризации при прямом использовании ML

Решения для причинной оценки не предлагается

Athey et al., 2019

Generalized Random Forests

Гибкая оценка гетерогенных эффектов

Нет встроенной поддержки инструментальных переменных

Künzel et al., 2019

Мета-обучатели (S/T/X-learner)

Модульная схема комбинирования прогнозных моделей

Предполагает условную экзогенность, не слабые инструменты

Rudin, 2019

Критика «черного ящика»

Обосновывает нужду в прозрачном критерии выбора модели

Конкретной методики для причинного ML не дает

Nagapetyan et al., 2023

Классический 2SLS с пространственными инструментами

Оценка эффекта кадров на смертность на тех же региональных данных

Инструменты слабые (F < 10), тюнинг ML не применял

1 Все таблицы составлены авторами.

Именно последнее ограничение по сходимости алгоритма и образует нишу настоящей работы. Слабость доступных пространственных инструментов задокументирована непосредственно на данных задачи (Nagapetyan et al., 2023) и заведомо ниже порогов, принятых в литературе по слабым инструментам. При этом в самой методологии причинного ML отдельно отмечается зависимость точечной оценки от выбора базового алгоритма и от конкретного случайного разбиения выборки при перекрестной подгонке (Chernozhukov et al., 2018), где авторы рекомендуют усреднение по повторным разбиениям именно по этой причине; слабая идентификация естественно усиливает эту зависимость, поскольку знаменатель IV-оценки приближается к вырожденному случаю. Систематическое сопоставление конфигураций DML-IV (семейств обучате-лей, числа фолдов, состава контролей) в условиях документированно слабых инструментов в доступной литературе по региональному здравоохранению не обнаружено: без явного критерия отбора конфигурации причинное ML в подобных условиях рискует остаться внутренним «черным ящиком» даже для самого исследователя.

Настоящая статья ставит целью восполнить этот разрыв: предложить и апробировать систематическую процедуру подбора гиперпараметров DoubleML PLIV для оценки причинного эффекта обеспеченности врачами на смертность от новообразований в условиях слабой идентификации. В отличие от стандартной практики базовых гиперпараметров, мы перебираем содержательно различающиеся конфигурации нескольких семейств алгоритмов внутри самой методики DML-IV (случайный лес, градиентный бустинг, метод опорных векторов, регуляризованная линейная регрессия), число фолдов, тип скоринговой функции и состав контролей, отбирая конфигурацию по целевой функции, наказывающей одновременно за разброс точечной оценки по повторным разбиениям и за низкое качество nuisance-аппроксимации; рекомендация проверяется на калиброванной под эмпирические данные симуляции с известным истинным эффектом. Тем самым работа вносит вклад в развитие гибридной идентификации, сочетания квазиэкспери-ментальной строгости и адаптивности машинного обучения как воспроизводимого инструмента доказательной политики в региональном здравоохранении и формирует основу для последующего развития методик на стыке машинного обучения и эконометрики.

Данные и методы . В исследовании используется панель 83 регионов России за 2012– 2019 гг. (663 наблюдения; панель не сбалансирована, так, по Ненецкому автономному округу отсутствуют данные за 2013 г.), сформированная и апробированная в более раннем исследовании авторского коллектива (Влияние обеспеченности онкологами на смертность от новообразований в регионах России …, 2023). Зависимая переменная = смертность от новообразований, объясняющая переменная = обеспеченность регионов онкологами; обе переменные используются в логарифмах, что позволяет интерпретировать коэффициент как эластичность. Полный перечень переменных приведен в таблице 2.

Таблица 2 . Описание переменных

Table 2 . Variables Description

№

Обозначение

Название

Измерение

1

2

3

4

1

death_neoplasms

Смертность от новообразований

Смертность от новообразований (на 100 тыс. чел.)

2

doctors_neoplasms

Количество онкологов

Численность онкологов на 100 000 человек

3

vodkat

Потребление алкоголя

Потребление алкоголя, декалитров/чел.

4

tabakt

Потребление табака

Потребление табачных изделий, руб. на чел.

5

unempl

Безработица

Уровень безработицы (по данным выборочных обследований рабочей силы; в процентах)

6

educ_high

Высшее образование

Численность студентов, обучающихся по программам бакалавриата, специалитета, магистратуры на 10 000 человек населения

7

poor

Уровень бедности

Доля бедных (доходы ниже прожиточного минимума)

8

old

Доля пожилых

Доля лиц старше трудоспособного возраста

9

city

Доля городского населения

Удельный вес городского населения в общей численности населения, в процентах

10

sex

Соотношение мужчин и женщин

На 1000 мужчин приходится женщин

11

marriage

Брачность

Общие коэффициенты брачности на 1000 человек

12

divorce

Разводимость

Общие коэффициенты разводимости на 1000 человек

13

inc_real

Реальные доходы на душу населения

Номинальные доходы разделены на стоимость фиксированного набора потребительских товаров и услуг

14

pollut_air_p

Загрязнение воздуха

Выбросы загрязняющих веществ, тысяч тонн на 1 человека

15

pollut_water_ter_p_

Загрязнение воды

Выбросы загрязняющих веществ, тыс. куб. метров на кв.м. на 1 человека)

Продолжение таблицы 2

1

2

3

4

16

ill_neoplasms

Уровень заболеваемости

Новообразования, количество, зарегистрировано заболеваний на 1000 человек населения

17

ussrmedvuz_sosed

Медицинские учреждения в соседних регионах в 1991 г.

Средний уровень обеспеченности медицинскими учреждениями (наличие или отсутствие медицинского учебного заведения) в соседних регионах в 1991 г. на основе матрицы квадратов обратных расстояний

18

doctors_heart_sose d1

Среднее количество кардиологов в соседних регионах

Средний уровень обеспеченности врачами-кардиологами в соседних регионах, имеющих общую границу с рассматриваемым регионом

Спецификация PLIV . Причинный эффект оценивается частично линейной моделью с инструментальной переменной (PLIV) (Chernozhukov et al., 2018):

log Y = θ·log D + g(X) + U, E[U | X, Z] = 0; log D = m(X) + Z'π + V ,            (1)

где Y – смертность от новообразований, D – обеспеченность онкологами, X – 14 контрольных переменных (таблица 2, № 3–16), Z – оба инструмента одновременно (№ 17–18). Nuisance-функции g(·) и m(·), а также проекции Z на X оцениваются методами машинного обучения с K-блочной перекрестной подгонкой (K-fold cross-fitting) и усредняются по n_rep случайным разбиениям выборки на блоки; структурный параметр θ находится из нейман-ортогонального момента типа «partialling out».

Процедура подбора гиперпараметров . В отличие от стандартной практики исходных гиперпараметров из пакета для среды R DoubleML (Bach et al., 2024), тестируется сетка из 15 конфигураций, варьирующих три измерения: (а) семейство обучателя и его гиперпараметры (случайный лес (ranger/RandomForest), градиентный бустинг (xgboost), метод опорных векторов (SVM) и регуляризованная линейная регрессия (Lasso/ElasticNet)), для каждого семейства также варьируются параметры по 3 типам: вариант по умолчанию, регуляризованный и более гибкий; (б) число фолдов K ∈ {4, 5, 10}; (в) состав контролей, в частности, полный набор (14 переменных) и сокращенный (8 переменных, за исключением потенциально «шумных» контролей pollut_air_p_, pollut_water_ter_p_, marriage_, divorce_, sex_, poor_). Изменения (б)–(в) тестируются на лучшем по первому измерению обучателе. Полная сетка конфигураций приведена в разделе «Результаты» (таблица 3).

Отбор конфигурации осуществляется по целевой функции:

L(i) = IQRr(9i) + A- [(1 - R2yj) + (1 - R2d,i)] ,                            (2), где IQRr(θi) – межквартильный размах точечной оценки θ по n_rep, равный 50 повторным разбиениям выборки для конфигурации i (первое слагаемое есть мера неустойчивости, о которой шла речь во введении), а R²Y,i и R²D,i – качество аппроксимации nuisance-функций для Y и D на отложенных блоках (out-of-sample) при однократном разбиении. Базовое значение λ = 1; чувствительность выбора конфигурации к λ проверяется на сетке λ ∈ {0; 0,5; 1; 2}.

Измерение (а) гиперпараметры ML-обучателя, тогда как (б) и (в) элементы спецификации DML-процедуры (схема разбиения и состав контролей). Но функция L(i) не разделяет их по построению. Стоит отметить, что, λ = 1 нормирует вклад разброса θ и штрафа (1 -R²) (оба ∈ [0;1]) и не отдает им приоритета a priori. Обоснование – устойчивость выбора конфигурации на сетке λ ∈ {0; 0,5; 1; 2} и служит содержательным обоснованием этого значения, но не сама формула. При этом в L(i) намеренно не учтено качество аппроксимации проекции Z на X. В отличие от R² Y и R² D , оно не связано со смещением DML-оценки, а отражает лишь объяснимость инструмента контро-лями, и чем она ниже, тем больше независимой от X вариации Z остается после partialling out для идентификации θ; высокое значение означало бы, что инструмент дублирует контроли и теряет эту вариацию.

Валидация на симуляции . Отобранные по L(i) конфигурации дополнительно проверяются на калиброванной под эмпирические данные ячейке симуляционного эксперимента (ρ = 0,7; без гетероскедастичности, нелинейности и конфаундинга через фиксированные эффекты; параметр силы инструмента α Z подобран отдельно под каждую реализацию генератора случайных чисел), дающей частный F первой ступени порядка 5, то есть воспроизводящей ту же степень слабой идентификации, что и на реальных данных (частный F = 5,14, Ву-Хаусман p = 0,041, тест Саргана p = 0,753 по результатам классического 2SLS). Истинный эффект в симуляции задан на уровне θ = -0,4 по оценке эластичности из предшествующего исследования (Влияние обеспеченности онкологами на смертность от новообразований в регионах России …, 2023). Для каждой отобранной конфигурации и для конфигураций-дефолтов (по одной на семейство обучателя) по n_mc повторным реализациям DGP рассчитывается смещение (bias), корень из среднеквадратичной ошибки (RMSE) и фактическое покрытие 95 % доверительного интервала (ДИ). Данные показатели на реальных данных принципиально ненаблюдаемы, поскольку истинный эффект неизвестен.

Результаты по реальным данным . Таблица 3 отражает все 15 протестированных конфигураций: медиану и межквартильный размах (IQR) точечной оценки θ по n_rep = 50 разбиениям, качество аппроксимации nuisance-функций (R² Y , R² D на отложенных блоках) и значение целевой функции L при базовом λ = 1.

Таблица 3 . Подбор гиперпараметров DML PLIV на реальных данных

Table 3 . The Selection of Hyperparameters DML PLIV on the Actual Data

Конфиг

Обучатель

фолды

Медиана 6

IQR 6

R2y

R2d

L(A=1)

A1

ranger базовый

5

-0,112

0,154

0,928

0,662

0,359

A2

ranger регуляризованный

5

-0,230

0,047

0,851

0,379

0,432

A3

ranger гибкий

5

-0,075

0,179

0,930

0,674

0,377

A4

xgboost базовый

5

-0,063

0,297

0,915

0,695

0,492

A5

xgboost регуляризованный

5

-0,324

0,295

0,916

0,644

0,515

A6

xgboost гибкий

5

-0,030

0,336

0,923

0,708

0,520

A7

Lasso базовый

5

-0,548

0,067

0,806

0,284

0,522

A8

lasso регуляризованный

5

-0,386

0,023

0,790

0,231

0,512

A9

elastic net

5

-0,547

0,067

0,806

0,283

0,522

A10

SVM базовый

5

+0,001

0,085

0,893

0,521

0,378

A11

SVM регуляризованный

5

+0,108

0,018

0,643

0,144

0,624

A12

SVM гибкий

5

-0,536

0,302

0,823

0,691

0,545

C1

ranger (победитель A)

4

-0,105

0,148

0,931

0,662

0,352

C2

ranger (победитель A)

10

-0,077

0,122

0,935

0,676

0,316

E1

ranger (победитель A)

5

-0,167

0,084

0,909

0,572

0,344

Медианные оценки по сетке варьируются от +0,11 (A11) до -0,55 (A7, A9) диапазон, сопоставимый по ширине с нестабильностью DML-IV, отмеченной для тех же данных в более ранней нашей работе, и получен здесь при систематическом переборе, а не при единственном запуске с дефолтами. Победитель по первому измерению сетки (семейство обучателя, полный набор контролей, K = 5) – A1 (ranger, базовые настройки): среди A1–A12 у него одно из наименьших значений L при высоком качестве nuisance-аппроксимации ( R2 y = 0,928, R2 d = 0,662). Варьирование числа фолдов и состава контролей на гиперпараметрах A1 дает лучший результат по целевой функции в целом: C2 (K = 10, L = 0,316) за счет одновременного снижения IQR (0,122 против 0,154 у A1) и небольшого роста R2 d . Второе место E1 (сокращенный набор контролей, L = 0,344): наименьший абсолютный IQR среди всех 15 конфигураций (0,084), но более низкое R2 d частично компенсирует этот выигрыш в целевой функции.

Проверка чувствительности к λ (таблица 3) показывает, что выбор конфигурации существенно зависит от веса штрафа за качество nuisance-аппроксимации. При λ = 0 (штраф отключен, отбор только по IQR) лидирует A11 (SVM, регуляризованный) с IQR = 0,018, но именно эта конфигурация хуже всех аппроксимирует обе nuisance-функции ( R2 y = 0,643, R2 d = 0,144), то есть ее низкий разброс достигается за счет систематического недообучения, а не за счет устойчивости содержательной оценки. Уже при λ = 0,5 лидерство переходит к E1 , а при λ ≥ 1 к C2 ; таким образом, начиная с умеренного веса штрафа рекомендация стабилизируется на ranger-конфигурациях с высоким R², и дальнейшее увеличение λ (до 2) состав тройки лидеров не меняет. Это подтверждает необходимость штрафного слагаемого в целевой функции: отбор по одной лишь устойчивости точечной оценки без контроля качества аппроксимации рискует зафиксировать «стабильно недообученную» конфигурацию.

Отдельно стоит отметить, что медианные оценки тюнинг-рекомендованных ranger-конфигураций (A1, C1, C2, E1: от –0,08 до –0,17) заметно ближе к нулю, чем классическая 2SLS-оценка на тех же данных (–0,574), тогда как lasso/elastic net (A7, A9: около -0,55) и часть «гибких» xgboost/SVM-конфигураций дают оценки, близкие к 2SLS по величине, но с существенно большим разбросом. Содержательная интерпретация этого расхождения не предмет настоящей статьи, сфокусированной на процедуре подбора гиперпараметров.

Эти медианы (от –0,08 до –0,25) формально попадают в устойчивые к слабым инструментам интервалы, полученные 2SLS на тех же данных: Андерсона – Рубина [–2,694; –0,220] и CLR [–1,678; –0,269]. Однако устойчивость DML-IV оценки по разбиениям есть свойство вычислительной процедуры, а не weak-IV-robust статистика: ее асимптотическая SE, в отличие от AR/CLR, не гарантирует корректного покрытия при слабой идентификации, и попадание в интервал не следует считать подтверждением надежности причинного эффекта.

Валидация на симуляционных данных. Отобранные конфигурации (A1, C1, C2, E1) и дефолты остальных семейств (A4, A7, A10) дополнительно проверены на калиброванной ячейке симуляции с известным θ_true = -0,4 (n_mc = 500 на конфигурацию). В таблице 4 отмечено медианное смещение, IQR θ и покрытие 95 % доверительного интервала (ДИ) как основные показатели: при частном F в районе 5 у некоторых реализаций DGP знаменатель первой ступени близок к нулю, что дает отдельные экстремальные значения θ и делает среднее смещение и RMSE в их обычном виде малоинформативными (они приведены в таблице 4 отдельно, со звездочкой).

Таблица 4 . Валидация на калиброванной симуляции

Table 4 . Validation on Calibrate Simulation

Конфигурация

n_folds

Медианное смещение

IQR θ

Покрытие 95% ДИ

Среднее смещение*

RMSE*

A1

5

+0,077

0,973

0,944

+1,455

44,52

C1

4

+0,072

1,039

0,952

-0,470

5,84

C2

10

+0,097

0,965

0,944

-0,154

7,90

E1

5

+0,077

0,973

0,944

+1,455

44,52

A4 (xgboost)

5

+0,114

1,272

0,946

-2,540

63,43

A7 (lasso)

5

+0,069

0,977

0,942

-0,350

7,64

A10 (SVM)

5

+0,042

1,055

0,936

+1,306

47,57

По медианному смещению конфигурации близки (от +0,04 до +0,11); покрытие 95 % доверительного интервала близко к номинальному у всех семи конфигураций (0,936–0,952). По IQR θ при n_mc = 500 четко хуже остальных остается только xgboost (A4: 1,272): lasso (A7: 0,977) практически не отличим от лучших ranger-конфигураций (A1/E1: 0,973; C2: 0,965), а SVM (A10: 1,055) и укладывается в диапазон, который занимает сам ranger при K = 4 (C1: 1,039). При предварительном n_mc = 50 тот же показатель создавал впечатление более четкого преимущества ranger-семейства и это расхождение само по себе указывает на недостаточную точность оценки IQR при n_mc = 50; устойчив к увеличению n_mc лишь один вывод = отставание нетюнингованного xgboost. Расхождение между результатом на реальных данных и в симуляции по C1 рассматривается в следующем разделе.

Обсуждение . Основной результат подбора гиперпараметров на реальных данных есть устойчивое преимущество ranger-семейства (A1, C1, C2, E1) перед xgboost, SVM и lasso/elastic net по разбросу точечной оценки θ. В независимой симуляции (n_mc = 500) это преимущество подтверждается только относительно xgboost; от lasso и SVM ranger по IQR θ статистически не отличим (таблица 4), а разделение, заметное при 50 повторах, не выдержало увеличения точности. Одно из возможных объяснений свойства случайного леса – как ансамбля глубоких, слабо коррелированных деревьев, для которого при определенных регулярных условиях доказана асимптотическая нормальность оценщиков причинных эффектов (Wager, Athey, 2018); формальная проверка того, насколько эти условия выполняются в настоящей задаче с малой выборкой и слабой идентификацией, выходит за рамки данной статьи, но сам факт эмпирического совпадения направления результата с этой теоретической линией заслуживает внимания.

Проверка чувствительности к λ имеет методологическое значение шире данного набора данных: при отборе конфигурации по одной лишь устойчивости точечной оценки (λ = 0) впереди оказывается конфигурация с крайне низким качеством аппроксимации nuisance-функций (A11, R² D = 0,14), то есть низкая дисперсия здесь не признак надежности, а следствие недообучения. Это означает, что любой протокол отбора конфигурации DML-IV по стабильности при слабых инструментах нуждается в явном штрафе за качество nuisance-аппроксимации и без него легко принять «стабильно неинформативную» модель за «устойчивую».

Расхождение между реальными данными и симуляцией по конфигурации C1 (третье место по L(λ=1) на реальных данных, но худший IQR среди ranger-вариантов в симуляции) – самостоятельный ограничивающий результат: критерий L(i), построенный на единственной доступной реализации реальных данных, сам является случайной величиной, и его собственная изменчивость на реальных данных напрямую не наблюдаема (повторных реализаций «реального мира» нет). Именно поэтому валидация на симуляции с известным истинным эффектом необходима, но и она лишь одна калиброванная ячейка, а не гарантия для конкретной конфигурации; практический вывод правильнее формулировать как направление (обучатели умеренной гибкости из семейства случайного леса, среднее или большее число фолдов), а не как точную рекомендацию одной жестко фиксированной конфигурации.

Отдельного комментария требует то, что медианные оценки тюнинг-рекомендованных конфигураций (от -0,08 до -0,17) заметно ближе к нулю, чем классическая 2SLS-оценка на тех же данных (-0,574). Возможные причины включают как смещение регуляризации при непараметрическом оценивании nuisance-функций в условиях слабого first-stage, схожая проблема разбиралась для ML-инструментальных оценок в целом (Belloni и др., 2012; Hansen, Kozbur, 2014), так и то, что при частном F в районе 3-5 и выборке в 663 наблюдения оба класса методов работают глубоко в зоне слабой идентификации, где точечные оценки сами по себе ненадежны и должны читаться вместе с широкими интервалами (Андерсона – Рубина и др.), а не как конкурирующие

«истинные» значения. Эта неопределенность не есть недостаток подбора гиперпараметров как такового, а стимул к дальнейшему развитию направления, объединяющего несколько причинных ML-оценок с весами по их надежности, а не к замене одной точечной оценки другой.

Ограничения работы можно свести к следующим.

Валидация на симуляции ограничена одной калиброванной ячейкой (F ≈ 5), приближенной к реальной выборке, а не полным факторным перебором параметров DGP.

Объем выборки (663 наблюдения, 83 региона) ограничивает точность любых внутривыбо-рочных мер разброса, включая используемый в данной работе IQR.

Заключение . В работе предложена и апробирована систематическая процедура тюнинга DoubleML PLIV для оценки причинного эффекта обеспеченности врачами на смертность от новообразований в условиях слабой идентификации задачи, для которой предшествующие оценки на тех же региональных данных опирались на дефолтные гиперпараметры машинного обучения. Перебор 15 конфигураций по трем измерениям (семейство обучателя, число фолдов, состав кон-тролей) и последующая проверка на калиброванной симуляции с известным истинным эффектом показали, что: а) на реальных данных конфигурации на основе случайного леса устойчиво дают наименьший разброс точечной оценки; в независимой симуляции (n_mc = 500) это преимущество подтверждается только относительно градиентного бустинга, тогда как от lasso и SVM ranger по этому показателю статистически не отличим; б) отбор конфигурации только по устойчивости оценки без штрафа за качество аппроксимации nuisance-функций ненадежен и может привести к выбору недообученной модели; в) критерий, выбранный на реальных данных, не гарантированно переносится на устойчивость в независимой проверке, что ограничивает силу любой единичной рекомендации и указывает на необходимость валидации вне выборки.

Практический вывод для прикладного причинного ML в задачах регионального здравоохранения со слабыми инструментами заключается в том, что случайный лес умеренной гибкости с несколькими проверенными значениями числа фолдов – более безопасный выбор по умолчанию, чем гибкие альтернативы (градиентный бустинг, метод опорных векторов) без собственного подбора гиперпараметров. Одновременно устойчивость точечной оценки не следует смешивать с ее точностью, ибо обе полученные в статье метрики необходимы совместно. Эта рекомендация не означает, что подбор гиперпараметров устраняет слабую идентификацию: он снижает вычислительную нестабильность оценки, но не сужает неопределенность, заданную слабостью самого инструмента

Дальнейшее развитие темы естественно связано с объединением нескольких настроенных причинных ML-оценок в одну сводную оценку с весами, отражающими их относительную надежность, что позволило бы частично компенсировать ограничение (в) без выбора единственной «лучшей» конфигурации. В этом смысле представленная процедура подбора гиперпараметров образует методическую основу для гибридной идентификации, сочетающей строгость инструментальных переменных с адаптивностью машинного обучения, как воспроизводимого инструмента доказательной политики в региональном здравоохранении.