Strojové učení rozšířené rozdíly v rozdílech (ML-DiD)
Strojové učení rozšířené DiD kombinuje klasickou strategii identifikace rozdílů v rozdílech s flexibilními ML odhady pro pomocné funkce — skóre sklonu a regresi výsledku — k získání platných kauzálních odhadů, i když je výběr léčby a dynamika výsledku složitá, vysokodimenzionální nebo nelineární. Přístup, zakořeněný v dvojitém/debiased strojovém učení (Chernozhukov et al., 2018) a dvojitě robustním DiD (Sant'Anna & Zhao, 2020), chrání před zkreslením z chybné specifikace při zachování základní logiky DiD pro srovnání před-po, léčený-versus-kontrolní.
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 ↗
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Machine Learning-Augmented Difference-in-Differences Estimator. ScholarGate. https://scholargate.app/cs/causal-inference/machine-learning-augmented-difference-in-differences
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.
- Rozdíl v rozdílech (Diff-in-Diff)Ekonometrie↔ compare
- Dvojitě robustní odhad (AIPW)Kauzální inference↔ compare
- Dynamická metoda rozdílu rozdílů (Dynamic Difference-in-Differences)Kauzální inference↔ compare
- Heterogenní rozdíl v rozdílech v účinku léčby (HTE-DiD)Kauzální inference↔ compare
- Párování na základě skóre propensityStatistika ve výzkumu↔ compare
- Syntetická kontrolní metoda (SCM)Kauzální inference↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →