Машинно обучение-разширен дизайн на регресионно прекъсване (ML-RDD)
Машинно обучение-разширеният дизайн на регресионно прекъсване (ML-RDD) комбинира логиката за остро идентифициране на класическия RDD — използвайки известна граница на присвояване в променлива на движение — с гъвкави, адаптивни към данните ML методи за избор на честотна лента, оценка на условното средно и корекция на ковариатите. Целта е да се получи по-точна и по-малко зависима от предположения оценка на локалния среден ефект от лечението на прага.
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
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Размита регресионна прекъсната конструкцияПричинно-следствено заключение↔ сравняване
- Машинно обучение-разширен метод на разликите в разликите (ML-DiD)Причинно-следствено заключение↔ сравняване
- Съгласуване по показател на склонностСтатистика за изследвания↔ сравняване
Цитиран в
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →