Achtung:

Sie haben Javascript deaktiviert!
Sie haben versucht eine Funktion zu nutzen, die nur mit Javascript möglich ist. Um sämtliche Funktionalitäten unserer Internetseite zu nutzen, aktivieren Sie bitte Javascript in Ihrem Browser.

Bildinformationen anzeigen
Bildinformationen anzeigen
Bildinformationen anzeigen
Bildinformationen anzeigen
Bildinformationen anzeigen
Bildinformationen anzeigen

Foto: Adelheid Rutenburges

Foto: Adelheid Rutenburges

Foto: Adelheid Rutenburges

Foto: Adelheid Rutenburges

Montag, 11.12.2017 | 13.00 - 14.00 Uhr | Q4.245

Seminars in Economics and Management, Tobias Aufenanger

Tobias Aufenanger, Wissenschaftlicher Mitarbeiter am Lehrstuhl für Volkswirtschaftslehre, insbesondere Sozialpolitik, an der Friedrich-Alexander Universität Erlangen-Nürnberg, hält am 11.12.2017 einen Vortrag mit dem Titel  „Machine Learning for Prediction Based Stratification in Economic Experiments”. Der Vortrag findet von 13 Uhr bis 14 Uhr in Raum Q4.245 statt und ist Teil der Seminarreihe „Economics and Management“. Anschließend steht  Herr  Aufenanger für Gespräche im Rahmen des Forschungscáfes zur Verfügung. Weitere Informationen und Termine der Vortragsreihe: https://wiwi.uni-paderborn.de/dep1/me/research/discussing-research/seam/.

Abtract:

This paper proposes a way of using observational pretest data for the design of experiments. In particular, this paper trains a random forest on the pretest data and stratifies the allocation of treatments to experimental units on the predicted dependent variables. This approach reduces much of the arbitrariness involved in defining strata directly on the basis of covariates. A simulation on 300 random samples drawn from six data sets shows that this algorithm is extremely effective in reducing the variance of the estimation compared to random allocation and to traditional ways of stratification. On average, this stratification approach requires half the sample size to estimate the treatment effect with the same precision as complete randomization. In more than 80% of all samples the estimated variance of the treatment estimator is lower and the estimated statistical power is higher than for standard designs such as complete randomization, conventional stratification or Mahalanobis matching.

 

Die Universität der Informationsgesellschaft