تقييم الأثر السببي المعزز بالتعلم الآلي
يجمع تقييم الأثر السببي المعزز بالتعلم الآلي بين مصداقية الاستدلال السببي للنتائج المحتملة ومرونة خوارزميات التعلم الآلي الحديثة. بدلاً من فرض أشكال وظيفية بارامترية للمتغيرات المربكة، يقوم متعلمو التعلم الآلي - مثل لاسو، والغابات العشوائية، أو الشبكات العصبية - بتقدير الدوال المزعجة (درجات الميل، انحدارات النتائج) التي تُستخدم بعد ذلك لبناء تقديرات غير متحيزة تقريبًا للتأثيرات السببية. التطبيق النموذجي هو التعلم الآلي المزدوج/المصحح (DML)، الذي صاغه تشيرنوژوكوف وآخرون (2018).
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/ar/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- تحليل التأثير السببيالاستدلال السببي↔ قارن
- تقييم الأثر المضاد للواقع (CIE)الاستدلال السببي↔ قارن
- الفرق في الفروق (Diff-in-Diff)الاقتصاد القياسي↔ قارن
- مطابقة درجات الميلإحصاء البحث↔ قارن
- منهج الضابط الاصطناعي (SCM)الاستدلال السببي↔ قارن