Causal inference to evaluate tax audits

Abstract

Οι σταδιακές παρεμβάσεις πολιτικής έχουν αυξηθεί το τελευταίο διάστημα, με την ελληνική κυβέρνηση να ενισχύει προγράμματα που εξετάζουν και βοηθούν στον εντοπισμό προτύπων για μελλοντικές βελτιώσεις. Η ανάγκη για εις βάθος κατανόηση της επίδρασης στην οικονομική δραστηριότητα των ελληνικών επιχειρήσεων έχει αναδείξει τη σημασία της ενσωμάτωσης ποικίλων αναλυτικών μεθόδων.Η παρούσα διπλωματική εργασία εστιάζει στον τομέα του causal inference, δίνοντας ιδιαίτερη έμφαση στον συνδυασμό κλασικών οικονομετρικών τεχνικών με προσεγγίσεις μηχανικής μάθησης. Στόχος μας είναι η εκτίμηση του αντίκτυπου μιας σταδιακής πολιτικής παρέμβασης στις ελληνικές επιχειρήσεις, συνδυάζοντας μια μακροοικονομική ανάλυση μέσω της μεθόδου Generalized Synthetic Control με μια μικροοικονομική ανάλυση σε επίπεδο μονάδας μέσω των Causal Forests.Τα αποτελέσματα υποδεικνύουν μια σημαντική συνολικά θετική επίδραση, με πολλαπλές φάσεις αντίδρασης στο treatment, οι οποίες περιλαμβάνουν μια αρχική αύξηση, ακολουθούμενη από μια φάση σταθεροποίησης και, σε ορισμένες περιπτώσεις, μια δευτερογενή αύξηση. Μέσω αυτής της λεπτομερούς ανάλυσης, η μελέτη στοχεύει να συμβάλει στην ευρύτερη κατανόηση και εφαρμογή συνδυασμένων μεθόδων στο κομμάτι του causal inference.

Staggered policy interventions have been increasing lately with the Greek government empowering many programs to examine and help identify patterns for future improvements. The need of understanding thoroughly the effect in the economic activity of Greek businesses, has highlighted the demand of integrating diverse analytical methods. This thesis dives into the core of causal inference field with a particular emphasis in the combination of classic econometric techniques along with machine learning approaches. We aim to assess the impact of a staggered policy intervention on Greek businesses by merging a macro-level analysis from Generalized Synthetic Control method with a micro-level unit-specific one from Causal Forests, wherein a significant overall positive effect with multiple phases of treatment responses , including an initial increase , then a stabilization phase and in some cases a secondary increase. Through this detailed analysis , the study seeks to contribute to the wider understanding and application of combined methods in causal inference.