Инструментални променливи, подсилени с машинно обучение (ML-IV)
Инструменталните променливи, подсилени с машинно обучение, съчетават причинно-следствената идентификационна сила на класическите инструментални променливи (IV) с модерното високоразмерно машинно обучение — използвайки методи като LASSO, случайни гори или невронни мрежи за избор на валидни инструменти и моделиране на "нежелани" функции (nuisance functions), като по този начин подобряват прилягането на първия етап и позволяват валиден извод, дори когато броят на потенциалните инструменти или контроли е голям спрямо размера на извадката.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-instrumental-variables
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Двустъпална регресия на най-малките квадрати (2SLS / IV)Иконометрия↔ сравняване
- Метод на инструменталните променливи (IV) за причинно-следствен анализИкономика на здравеопазването↔ сравняване
- Регресия ЛасоМашинно обучение↔ сравняване
- Съгласуване по показател на склонностСтатистика за изследвания↔ сравняване
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →