Legal aid eligibility and court outcomes: a design-based double-machine-learning approach
创建于 更新于
摘要
本文利用新南威尔士州2012—2021年法律援助申请与刑事案件行政数据，采用随机森林驱动的双重机器学习方法识别法律援助拒绝的因果效应。研究发现，未获援助并转而聘请私人律师的被告，入狱概率较获得援助并由公职律师代理者低约8.1个百分点；其最高指控认罪概率下降、罚款概率上升，而入狱者的服刑期限可能更长。结果表明，公共与私人法律代理之间存在显著绩效差异，公共律师可能因预算约束和高工作负荷更依赖高效率的认罪协商。[page::0][page::2][page::3][page::26]
