تصميم الانحدار المتقطع المعزز بالتعلم الآلي
يجمع تصميم الانحدار المتقطع المعزز بالتعلم الآلي (ML-RDD) بين منطق التحديد الحاد لتصميم الانحدار المتقطع الكلاسيكي - الذي يستغل نقطة قطع معروفة في متغير التشغيل - مع طرق التعلم الآلي المرنة والمتكيفة مع البيانات لاختيار عرض النطاق الترددي، وتقدير المتوسط الشرطي، وتعديل المتغيرات المشتركة. الهدف هو استعادة تقدير أكثر دقة وأقل اعتمادًا على الافتراضات لتأثير المعالجة المحلي المتوسط عند العتبة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/ar/causal-inference/machine-learning-augmented-regression-discontinuity-design
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- تصميم الانحدار الضبابي المتقطعالاستدلال السببي↔ قارن
- الفرق في الفروق المعزز بالتعلم الآلي (ML-DiD)الاستدلال السببي↔ قارن
- مطابقة درجات الميلإحصاء البحث↔ قارن