Public spending impact on short term growth : a machine learning approach

Abstract

The public spending multiplier has long been a subject of analysis with central discussion on how its size varies under different economic contexts. The article that integrates this dissertation introduces a causal machine learning technique as a tool to estimate the public spending multiplier and make individual predictions based on each country’s economic context. We propose to model the multiplier with a causal random forest, developed by Wager e Athey (2018), uncovering possible heterogeneous treatment effects. We apply this methodology to a dataset provided by the International Monetary Fund, including data from 35 developed countries for the years from 2000 to 2020. The multiplier estimates obtained with this methodology are between 1.7 and 2.7. In addition, we use this methodology as a tool to uncover which features are important to the multiplier heterogeneity.

O multiplicador do gasto público é objeto de análise há muito tempo, com a discussão centrada em como seu tamanho varia em diferentes contextos econômicos. No artigo que integra esta dissertação, apresentamos uma técnica de aprendizado de máquina causal como uma ferramenta para estimar o multiplicador do gasto público e fazer previsões individualizadas com base no contexto econômico de cada país. Propomos modelar o multiplicador com uma floresta aleatória causal, desenvolvida por Wager e Athey (2018), descobrindo possíveis efeitos de tratamento heterogêneos. Aplicamos essa metodologia em um conjunto de dados fornecido pelo Fundo Monetário Internacional, incluindo dados de 35 países desenvolvidos ao longo dos anos de 2000 a 2020. As estimativas dos multiplicadores obtidas com esta metodologia estão entre 1,7 e 2,7. Além disso, usamos essa metodologia como uma ferramenta para descobrir quais recursos são importantes para a heterogeneidade do multiplicador.