Machine-Learning-gestütztes Ereignisstudien-Design
Ein Machine-Learning-gestütztes Ereignisstudien-Design kombiniert den Standard-Ereignisstudien-Rahmen – der die Dynamik von Ergebnissen um ein Behandlungsdatum herum verfolgt – mit ML-basierten Methoden wie Double/Debiased Machine Learning (DML) oder regularisierter Regression, um hochdimensionale Kovariaten zu handhaben, die Kontrolle von Störvariablen zu verbessern und valide kausale Schätzungen zu erzeugen, wenn der Kovariatenraum für konventionelle Regressionen zu groß ist, um sie zuverlässig zu verwalten.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/de/causal-inference/machine-learning-augmented-event-study-design
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.
- Differenz-in-Differenzen (DiD)Ökonometrie↔ compare
- Dynamische Differenz-von-DifferenzenKausale Inferenz↔ compare
- Panel-EreignisstudieKausale Inferenz↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →