Dvojité strojové učení
Dvojité/debiased strojové učení (DML), zavedené Chernozhukovem a kol. (2018), je semiparametrický rámec pro odhad kauzálních nebo strukturálních parametrů v přítomnosti vysokodimenzionálních kontrol. Využívá flexibilní metody strojového učení k modelování rušivých funkcí – podmíněných očekávání výsledku a léčby vzhledem ke kovariátám – a poté konstruuje debiased odhad cílového parametru, který dosahuje konzistence odmocniny z n a platné inference navzdory regularizačnímu zkreslení inherentnímu ve vysokodimenzionálních nastaveních.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/cs/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.
- Dvojitě robustní odhad (AIPW)Kauzální inference↔ compare
- Heterogenní léčebné účinky (CATE / Meta-Learners)Kauzální inference↔ compare
- Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →