Double/debiased machine learning for causal inference on survival function: an application to the role of e-learning programme on unemployment duration.

Autor/inn/en	Kabata, Daijiro; Shintani, Mototsugu
Titel	Double/debiased machine learning for causal inference on survival function: an application to the role of e-learning programme on unemployment duration. Gefälligkeitsübersetzung: Doppeltes/verzerrtes maschinelles Lernen für kausale Schlussfolgerungen zur Überlebensfunktion: eine Anwendung auf die Rolle von E-Learning-Programmen zur Dauer der Arbeitslosigkeit.
Quelle	In: Applied economics letters, (2026) online first, 04 May 2026, S. 1-9 PDF als Volltext kostenfreie Datei Link als defekt meldenVerfügbarkeit
Sprache	englisch
Dokumenttyp	online; Zeitschriftenaufsatz
ISSN	1466-4291
DOI	10.1080/13504851.2026.2665413
Schlagwörter	Maschinelles Lernen; Partizipation; Arbeitsaufnahme; Arbeitsloser; Arbeitslosigkeit; Arbeitsmarktchance; Arbeitsmarktpolitik; Qualifizierungsmaßnahme; E-Learning; Weiterbildung; Dauer; Anwendung; Auswirkung; Maßnahme; Wirkungsforschung; Japan
Abstract	"This paper discusses the use of double/debiased machine learning (DML) for estimating the average treatment effect (ATE) on a survival function using pseudo-observations. Through simulations, we demonstrate the advantage of our method compared to existing estimators in the presence of many covariates. This method is applied in evaluating the effect of e-learning programme participation on the job-finding rate among individuals who are seeking employment." The study refers to the period 2019-2020 (Author's abstract, IAB-Doku).
Erfasst von	Institut für Arbeitsmarkt- und Berufsforschung, Nürnberg
Update	2026/4