تصميم الانحدار المضبب المعزز بالتعلم الآلي
يمدّد تصميم الانحدار المضبب (fuzzy RDD) المعزز بالتعلم الآلي تصميم الانحدار المضبب الكلاسيكي عن طريق استبدال تقريبات كثيرات الحدود البارامترية بمقدِّرات تعلم آلي مرنة. فبينما يستخدم تصميم الانحدار المضبب القياسي تقديرًا من نمط المتغيرات الآلية (IV-style) عند عتبة مع امتثال غير كامل، فإن المتغير المعزز بالتعلم الآلي يستفيد من المتعلِّمين غير البارامتريين — مثل الغابات العشوائية أو الشبكات العصبية — لنمذجة كل من النتيجة واحتمال المعالجة في المرحلة الأولى بالقرب من القطع، مما يقلل من تحيز سوء التحديد مع الحفاظ على تحديد السببية.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/ar/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- الفرق في الفروق (Diff-in-Diff)الاقتصاد القياسي↔ قارن
- التقدير المتين المزدوج (AIPW)الاستدلال السببي↔ قارن
- تصميم الانحدار الضبابي المتقطعالاستدلال السببي↔ قارن
- طريقة المتغيرات الآلية (IV) للاستدلال السببياقتصاديات الصحة↔ قارن
- تصميم الانحدار المتقطع المعزز بالتعلم الآليالاستدلال السببي↔ قارن