Дизайн на събитийно проучване, подсилен с машинно обучение
Дизайнът на събитийно проучване, подсилен с машинно обучение, комбинира стандартната рамка на събитийното проучване — която проследява динамиката на резултатите около дата на третиране — с методи, базирани на машинно обучение, като двойно/дебайасирано машинно обучение (DML) или регуляризирана регресия, за да се справят с високомерни ковариати, да подобрят контрола на объркващите фактори и да произведат валидни причинно-следствени оценки, когато пространството на ковариатите е твърде голямо, за да може конвенционалната регресия да се справи надеждно.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-event-study-design
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Метод на разликите в разликите (Difference-in-Differences, DiD)Иконометрия↔ compare
- Динамичен метод „разлика в разликите“Причинно-следствено заключение↔ compare
- Панелно събитийностно проучванеПричинно-следствено заключение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →