ScholarGate
Асистент
Regression modelQuasi-experimental / causal inference

Машинно обучение, подсилено с панелно изследване на събития

Машинното обучение, подсилено с панелно изследване на събития, разширява класическото панелно изследване на събития, като заменя или допълва параметрични контрафактуални модели с оценители, базирани на машинно обучение – като LASSO, случайни гори или матрично довършване – за конструиране на по-точни базови линии преди събитието, откриване на нарушения на паралелните тенденции и изготвяне на валидни оценки на причинно-следствения ефект през множество периоди след събитието.

Отворете в MethodMindСкороВидеоСкороDownload slides

Прочетете целия метод

Само за членове

Влезте с безплатен профил, за да прочетете този раздел.

Вход

Method map

The neighbourhood of related methods — select a node to explore.

Машинно обучение, подсилено с панелно изследване на събития
Метод на разликите в раз…Модел с фиксирани ефекти…Метод на синтетичен конт…

Източници

  1. Chernozhukov, V., Wuthrich, K., & Zhu, Y. (2021). An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls. Journal of the American Statistical Association, 116(536), 1849-1864. DOI: 10.1080/01621459.2021.1920957
  2. Freyaldenhoven, S., Hansen, C., & Shapiro, J. M. (2019). Pre-event Trends in the Panel Event-Study Design. American Economic Review, 109(9), 3307-3338. DOI: 10.1257/aer.20180609

Как да цитирате тази страница

ScholarGate. (2026, June 3). Machine Learning-Augmented Panel Event Study Estimator. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-panel-event-study

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.

Compare side by side
ScholarGateMachine Learning-Augmented Panel Event Study (Machine Learning-Augmented Panel Event Study Estimator). Извлечено на 2026-06-15 от https://scholargate.app/bg/causal-inference/machine-learning-augmented-panel-event-study · Набор от данни: https://doi.org/10.5281/zenodo.20539026