মেশিন লার্নিং-অগমেন্টেড রিগ্রেশন ডিসকন্টিনিউটি ডিজাইন
মেশিন লার্নিং-অগমেন্টেড রিগ্রেশন ডিসকন্টিনিউটি ডিজাইন (ML-RDD) ক্লাসিক্যাল RDD-এর তীক্ষ্ণ শনাক্তকরণ যুক্তিকে একত্রিত করে—একটি চলমান ভেরিয়েবলে একটি পরিচিত অ্যাসাইনমেন্ট কাটঅফকে কাজে লাগিয়ে—ব্যান্ডউইথ নির্বাচন, কন্ডিশনাল মিন অনুমান এবং কোভেরিয়েট অ্যাডজাস্টমেন্টের জন্য নমনীয়, ডেটা-অ্যাডাপ্টিভ ML পদ্ধতির সাথে। এর লক্ষ্য হল থ্রেশহোল্ডে স্থানীয় গড় ট্রিটমেন্ট ইফেক্টের আরও নির্ভুল এবং কম অনুমান-নির্ভর অনুমান পুনরুদ্ধার করা।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
পদ্ধতি-মানচিত্র
সম্পর্কিত পদ্ধতিসমূহের প্রতিবেশ — অন্বেষণ করতে একটি নোড নির্বাচন করুন।
উৎস
- 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 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/bn/causal-inference/machine-learning-augmented-regression-discontinuity-design
কোন পদ্ধতি?
এই পদ্ধতিটিকে তার নিকটতম সমগোত্রীয়দের পাশে রাখুন এবং পাশাপাশি পড়ুন — গ্রন্থাগার বইগুলি টেবিলে সাজিয়ে দেয়; নির্বাচন আপনার।
- ফাজি রিগ্রেশন ডিসকন্টিনিউটি ডিজাইনকার্যকারণ অনুমান↔ তুলনা করুন
- মেশিন লার্নিং-অগমেন্টেড ডিফারেন্স-ইন-ডিফারেন্সেস (ML-DiD)কার্যকারণ অনুমান↔ তুলনা করুন
- প্রোপেনসিটি স্কোর ম্যাচিং (Propensity Score Matching)গবেষণা পরিসংখ্যান↔ তুলনা করুন
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →