Maskinlærings-augmenteret sensitivitetsanalyse for kausalitet
Maskinlærings-augmenteret sensitivitetsanalyse kombinerer fleksible ML-estimatorer med formelle robusthedstjek for at vurdere, hvor meget uobserveret konfundering der ville være nødvendig for at omstøde et kausalt fund. Metoden, der er rodfæstet i Chernozhukov et al.'s double/debiased ML-rammeværk og Cinelli og Hazletts værktøjer til sensitivitet over for udeladte variable, leverer både højdimensionel kovariatjustering og transparent kommunikation af den resterende usikkerhed om uobserverede konfoundere.
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/da/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- Instrumentalvariabel (IV) Metoden til Kausal InferensSundhedsøkonomi↔ compare
- Propensity Score MatchingForskningsstatistik↔ compare
- Regression Discontinuity Design (RDD)Kausal inferens↔ compare
- Syntetisk Kontrol Metode (SCM)Kausal inferens↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →