Maskinlærings-augmenteret dobbelt robust estimering (ML-DR)
Maskinlærings-augmenteret dobbelt robust (ML-DR) estimering kombinerer den klassiske dobbelt robuste (AIPW) identifikationsstrategi med fleksible maskinlæringsmodeller for forstyrrelsesfunktionerne – propensity scoren og outcome-regressionen. Resultatet er en kausal estimator, der er konsistent, hvis enten ML-komponenten er korrekt specificeret, og som opnår gyldig, rod-n inferens, selv når forstyrrelsesmodellerne estimeres med højdimensionel regularisering eller ikke-parametriske læringsalgoritmer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/da/causal-inference/machine-learning-augmented-doubly-robust-estimation
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.
- Difference-in-Differences (Diff-in-Diff)Økonometri↔ compare
- Dobbelt Robust Estimation (AIPW)Kausal inferens↔ compare
- Vægtning med den inverse behandlingssandsynlighed (IPW / IPTW)Kausal inferens↔ compare
- Maskinlærings-augmenteret propensity score matchingKausal inferens↔ compare
- Marginal Structural Model (MSM)Kausal inferens↔ compare
- Propensity Score Weighting (PSW / IPW)Kausal inferens↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →