Maschinelles Lernen-gestützter Matching-Schätzer
Der maschinell lernend-gestützte Matching-Schätzer kombiniert klassisches Nearest-Neighbor- oder Propensity-Score-Matching mit ML-Algorithmen – wie Lasso, Random Forests oder Gradient Boosting –, um Kovariaten auszuwählen, Propensity Scores zu schätzen und Restverzerrungen zu korrigieren. Das Ergebnis ist ein kausaler Schätzer auf Matching-Basis, der unter hochdimensionaler Verfälschung, bei der traditionelles, manuell spezifiziertes Matching versagt, gültig bleibt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/de/causal-inference/machine-learning-augmented-matching-estimator
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Doubly Robust Estimation (AIPW)Kausale Inferenz↔ vergleichen
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausale Inferenz↔ vergleichen
- Machine Learning-Augmented Doubly Robust Estimation (ML-DR)Kausale Inferenz↔ vergleichen
- Matching-SchätzerKausale Inferenz↔ vergleichen
- Propensity Score MatchingForschungsstatistik↔ vergleichen
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →