美国弗吉尼亚州阿灵顿国防部Jason Rathje，斯坦福大学Riitta Katila、Philipp Reineke在Strategic Management Journal（战略管理期刊）发表论文“Making the most of AI and machine learning in organizations andstrategy research: Supervised machine learning, causal inference, andmatching models”（《充分利用人工智能与机器学习在组织与战略研究中的应用：监督式机器学习、因果推断与匹配模型》）系统阐释了机器学习可通过自动化筛选关键变量和捕捉复杂数据关系，显著提升因果推断中匹配模型的准确性和效率，但其应用需结合研究者理论判断并受限于数据规模与质量！
摘要：
内容简介：
本文探讨了机器学习（ML）在组织与战略研究中处理样本选择偏差和增强因果推断的应用，重点关注两阶段匹配模型中监督式机器学习的作用。文章指出，尽管机器学习为归纳理论构建提供了新的实证工具，但其在涉及大规模数据和多重协变量的因果回归研究中的应用仍未被充分理解。核心贡献在于指导研究者利用机器学习方法选择匹配变量，以改进倾向得分匹配（PSM）模型中的因果推断效果。
研究通过分析公共与私营部门技术发明的真实数据，展示了机器学习如何替代传统人工匹配方法。结果表明，机器学习能够更系统地筛选和处理大量协变量及其交互作用，从而提高第二阶段因果效应估计的精确性和可重复性。然而，作者强调机器学习方法存在边界条件：其一，监督式机器学习无法提供标准误，需结合传统统计解释；其二，研究者仍需主导变量初选和模型解释，避免“黑箱”风险；其三，该方法更适用于具有复杂协变量的大规模数据集，小样本场景下传统回归仍具优势。
在讨论部分，文章提出机器学习匹配方法可为战略与组织领域的因果推断研究提供新工具，尤其适用于存在多重混杂因素的大数据场景。通过自动化筛选协变量和交互项，机器学习能提升第一阶段预测的稳健性，并可能减少第二阶段估计偏差。但作者也警示，研究者需平衡自动化与理论解释，避免过度依赖算法导致结论不确定性增加。最后，文章建议将机器学习作为现有方法的补充工具，而非替代方案，以推动战略研究中对因果推断方法的更严谨应用。
参考来源：
Rathje J, Katila R, Reineke P. Making the most of AI and machine learning in organizations and strategy research: Supervised machine learning, causal inference, and matching models[J]. Strategic Management Journal, 2024, 45(10): 1926-1953.