Ενισχυμένες με Μηχανική Μάθηση Ενδογενείς Μεταβλητές (ML-IV)
Οι ενισχυμένες με μηχανική μάθηση ενδογενείς μεταβλητές συνδυάζουν την ισχύ αιτιακής αναγνώρισης των κλασικών IV με τη σύγχρονη μηχανική μάθηση υψηλών διαστάσεων — χρησιμοποιώντας μεθόδους όπως LASSO, τυχαία δάση ή νευρωνικά δίκτυα για την επιλογή έγκυρων οργάνων και τη μοντελοποίηση συναρτήσεων θορύβου, βελτιώνοντας έτσι την προσαρμογή του πρώτου σταδίου και επιτρέποντας έγκυρη συμπερασματολογία ακόμη και όταν ο αριθμός των πιθανών οργάνων ή ελέγχων είναι μεγάλος σε σχέση με το μέγεθος του δείγματος.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/el/causal-inference/machine-learning-augmented-instrumental-variables
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Παλινδρόμηση Ελαχίστων Τετραγώνων Δύο Σταδίων (2SLS / IV)Οικονομετρία↔ σύγκριση
- Μέθοδος Εργαλειακών Μεταβλητών (IV) για Αιτιώδη ΣυμπερασματολογίαΟικονομικά της Υγείας↔ σύγκριση
- Παλινδρόμηση LassoΜηχανική Μάθηση↔ σύγκριση
- Αντιστοίχιση Βαθμολογίας ΠροδιάθεσηςΕρευνητική Στατιστική↔ σύγκριση
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →