Doble aprenentatge automàtic
El doble aprenentatge automàtic (DML), introduït per Chernozhukov et al. (2018), és un marc semiparamètric per estimar paràmetres causals o estructurals en presència de controls d'alta dimensionalitat. Utilitza mètodes flexibles d'aprenentatge automàtic per modelar funcions de molèstia —les expectatives condicionals del resultat i del tractament donades les covariables— i després construeix un estimador de biaix corregit del paràmetre objectiu que aconsegueix consistència $\sqrt{n}$ i inferència vàlida malgrat el biaix de regularització inherent en entorns d'alta dimensionalitat.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/ca/causal-inference/double-machine-learning
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.
- Estimació Doblement Robusta (AIPW)Inferència causal↔ compare
- Efectes de tractament heterogenis (CATE / Meta-aprenents)Inferència causal↔ compare
- Random ForestAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →