Maskinlærings-augmenteret regressions-diskontinuitetsdesign
Maskinlærings-augmenteret regressions-diskontinuitetsdesign (ML-RDD) kombinerer den skarpe identifikationslogik fra klassisk RDD — der udnytter en kendt tildelingsgrænse i en løbende variabel — med fleksible, datatilpasningsdygtige ML-metoder til valg af båndbredde, estimering af betinget middelværdi og justering af kovariater. Målet er at opnå et mere præcist og mindre antagelsesafhængigt estimat af den lokale gennemsnitlige behandlingseffekt ved tærsklen.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/da/causal-inference/machine-learning-augmented-regression-discontinuity-design
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Fuzzy Regression Discontinuity DesignKausal inferens↔ sammenlign
- Maskinlærings-augmenteret Difference-in-Differences (ML-DiD)Kausal inferens↔ sammenlign
- Propensity Score MatchingForskningsstatistik↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →