Regresní diskontinuitní design rozšířený o strojové učení
Regresní diskontinuitní design rozšířený o strojové učení (ML-RDD) kombinuje ostrou identifikační logiku klasického RDD – využívající známý mezní bod v běžící proměnné pro přiřazení k léčbě – s flexibilními, datově adaptivními metodami strojového učení pro výběr šířky pásma, odhad podmíněných středních hodnot a úpravu kovariát. Cílem je získat přesnější odhad lokálního průměrného účinku léčby na prahu, který je méně zatížen předpoklady.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/cs/causal-inference/machine-learning-augmented-regression-discontinuity-design
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Fuzzy design přerušení regreseKauzální inference↔ porovnat
- Strojové učení rozšířené rozdíly v rozdílech (ML-DiD)Kauzální inference↔ porovnat
- Párování na základě skóre propensityStatistika ve výzkumu↔ porovnat
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →