Machine-Learning-gestützter Placebo-Test
Der Machine-Learning-gestützte Placebo-Test ist eine Technik zur Validierung von Kausalschlüssen, die flexible ML-Schätzer – wie Kausale Wälder (causal forests), LASSO oder Double/Debiased ML – verwendet, um Falsifikationsprüfungen einer Identifikationsstrategie durchzuführen. Durch den Ersatz echter Behandlungzuweisungen durch Placebo- (gefälschte) Zuweisungen und die Überprüfung, ob der geschätzte Effekt auf Null zusammenfällt, bestätigen Forscher, dass ihre kausalen Ergebnisse keine Artefakte einer fehlerhaften Modellspezifikation oder von Störvariablen sind.
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. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Machine Learning-Augmented Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/de/causal-inference/machine-learning-augmented-placebo-test
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
- Instrumentalvariablen-Methode (IV) zur KausalinferenzGesundheitsökonomie↔ compare
- Synthetische Kontrollmethode (SCM)Kausale Inferenz↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →