Disseny de discontinuïtat de regressió augmentat amb aprenentatge automàtic
El disseny de discontinuïtat de regressió augmentat amb aprenentatge automàtic (ML-RDD) combina la lògica d'identificació nítida del RDD clàssic —explotant un tall d'assignació conegut en una variable contínua— amb mètodes d'aprenentatge automàtic (ML) flexibles i adaptatius a les dades per a la selecció de l'amplada de banda, l'estimació de la mitjana condicional i l'ajust de covariables. L'objectiu és obtenir una estimació més precisa i amb menys supòsits de l'efecte mitjà local del tractament al llindar.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/ca/causal-inference/machine-learning-augmented-regression-discontinuity-design
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Disseny de Discontinuïtat de Regressió FuzzyInferència causal↔ compara
- Diferències en Diferències (DiD) Augmentat amb Aprenentatge Automàtic (ML-DiD)Inferència causal↔ compara
- Emparellament per puntuació de propensióEstadística per a la recerca↔ compara
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →