Stima di effetti di trattamento eterogenei con Generalized Random Forest: un'applicazione al Decreto Legge 66/2014

Thanks to technological progress and the increasing availability of data, Machine Learning (ML) models are widely used to test econometric theories on large datasets. Although these methods are excellent in prediction, they often prove less effective in estimating causal relationships. After a literature review of the main Machine Learning tools used in causal inference, this thesis focuses on the application of the Generalized Random Forest (GRF) introduced by Athey and Imbens (2019). The primary focus is on estimating the heterogeneous treatment effects of a tax rebate introduced by the Renzi government in 2014, the Decree Law 66/2014, also known as the "Bonus Renzi". The analysis is based on data from the 2016 Italian Household Budget Survey (SHIW dataset) conducted by BanK of Italy.

Grazie ai progressi tecnologici e alla crescente disponibilità di dati, i modelli di Machine Learning (ML) trovano sempre più applicazione nel testare teorie econometriche su ampi dataset. Sebbene questi metodi siano efficaci nella predizione, spesso si dimostrano meno adeguati nella stima di relazioni causali. Dopo una rassegna della letteratura dei principali strumenti di ML utilizzati nell'inferenza causale, questa tesi si concentra sull'applicazione della Generalized Random Forest (GRF) sviluppata da Athey e Imbens (2019). In particolare, l'analisi si focalizza sulla stima dell'eterogeneità degli effetti del trattamento di una politica fiscale - il Decreto Legge 66/2014 - introdotta dal Governo Renzi nel 2014, utilizzando i dati dell'indagine sui bilanci delle famiglie italiane condotta da Banca d'Italia (dataset SHIW) nel 2016.