Kausale Inferenz unter Anwendung von Double Machine Learning: Oregon HealthInsurance Experiment

Abstract

Diese Arbeit verwendet fortgeschrittene Methoden der kausalen Inferenz, insbesondere das Double Machine Learning (DML)-Framework, um die kausalen Effekte öffentlicher Krankenversicherung auf individuelle Gesundheitsvariablen anhand der Daten des Oregon Health Insurance Experiments (OHIE, 2008) zu schätzen. DML ermöglicht unverzerrte Schätzungen von Treatment-Effekten in hochdimensionalen Datensätzen. Mittels Interactive Regression Models (IRM) und Interactive Instrumental Variable Models (IIVM) werden Effekte von Medicaid auf wahrgenommene Gesundheit, Anzahl der Arztbesuche, Zufriedenheit, Zugang zu medizinischen Leistungen sowie Versorgungsqualität untersucht. Die Ergebnisse zeigen geringe, aber positive kausale Effekte von Medicaid auf die wahrgenommene Gesundheit und die Häufigkeit der Arztbesuche, statistisch insignifikante Effekte auf Zufriedenheit und Medikamentenzugang sowie einen leicht negativen Zusammenhang mit der wahrgenommenen Behandlungsqualität. Die Ergebnisse unterstreichen das Potenzial von Double Machine Learning als robustes Instrument der Kausalanalyse in empirischen Studien.

Keywords: causal inference; double machine learning; oregon health insurance experiment