Machine learning-augmented event study design
Machine learning-augmented event study design combines the standard event study framework — which traces outcome dynamics around a treatment date — with ML-based methods such as double/debiased machine learning (DML) or regularized regression to handle high-dimensional covariates, improve confounder control, and produce valid causal estimates when the covariate space is too large for conventional regression to manage reliably.
Registre font
Les citacions es copien textualment del registre font del mètode. No s'infereix cap verificació a nivell de reclam d'elles.
- 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
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. · DOI 10.1016/j.jeconom.2020.10.012
Reclamacions curades
Les reclamacions s'han persistit al registre de proves, cadascuna amb la seva pròpia avaluació.
Aquesta vista no inventa una avaluació de reclam quan el registre no en té cap.
Mètodes relacionats
Generat a partir del gràfic de mètodes i mostrat com a relacions suggerides per la màquina; no s'infereix cap reclamació d'evidència.