Maskinlærings-augmenteret instrumentvariabel-analyse (ML-IV)
Maskinlærings-augmenteret instrumentvariabel-analyse kombinerer den kausale identifikationskraft af klassisk IV med moderne højdimensionel maskinlæring — ved brug af metoder som LASSO, random forests eller neurale netværk til at udvælge gyldige instrumenter og modellere nuisance-funktioner, hvilket forbedrer first-stage fit og muliggør gyldig inferens, selv når antallet af potentielle instrumenter eller kontrolvariable er stort i forhold til stikprøvestørrelsen.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/da/causal-inference/machine-learning-augmented-instrumental-variables
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.
- Tostrins regressionsanalyse (2SLS / IV)Økonometri↔ compare
- Instrumentalvariabel (IV) Metoden til Kausal InferensSundhedsøkonomi↔ compare
- Lasso-regressionMaskinlæring↔ compare
- Propensity Score MatchingForskningsstatistik↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →