Машинно обучение-аугментиран метод на синтетичен контрол
Методът на синтетичен контрол, аугментиран с машинно обучение, разширява класическия синтетичен контролен оценител, като използва наказателна регресия или други ML алгоритми — като ласо, ридж или случайни гори — за конструиране на донорските тегла и за моделиране на траекториите на резултатите преди интервенцията. Аугментацията коригира остатъчния дисбаланс, оставен от стандартната стъпка на претегляне, което води до по-ниска систематична грешка, когато не съществува перфектен синтетичен контрол.
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
- Ben-Michael, E., Feller, A., & Rothstein, J. (2021). The augmented synthetic control method. Journal of the American Statistical Association, 116(536), 1789-1803. DOI: 10.1080/01621459.2021.1929245 ↗
- Abadie, A. (2021). Using synthetic controls: Feasibility, data requirements, and methodological aspects. Journal of Economic Literature, 59(2), 391-425. DOI: 10.1257/jel.20191450 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Synthetic Control Method. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-synthetic-control-method
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.
- Анализ на причинното въздействиеПричинно-следствено заключение↔ compare
- Метод на разликите в разликите (Difference-in-Differences, DiD)Иконометрия↔ compare
- Машинно обучение-разширен метод на разликите в разликите (ML-DiD)Причинно-следствено заключение↔ compare
- Метод на синтетичния контрол за панелни данниПричинно-следствено заключение↔ compare
- Синтетичен контролен метод (SCM)Причинно-следствено заключение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →