Εκτιμητής Αντιστοίχισης Ενισχυμένος με Μηχανική Μάθηση
Ο εκτιμητής αντιστοίχισης ενισχυμένος με μηχανική μάθηση συνδυάζει την κλασική αντιστοίχιση πλησιέστερου γείτονα ή βαθμολογίας προδιάθεσης με αλγορίθμους ML — όπως lasso, τυχαία δάση (random forests), ή ενίσχυση κλίσης (gradient boosting) — για την επιλογή συν-μεταβλητών, την εκτίμηση βαθμολογιών προδιάθεσης και τη διόρθωση υπολειπόμενης μεροληψίας. Το αποτέλεσμα είναι ένας αιτιακός εκτιμητής βασισμένος στην αντιστοίχιση που παραμένει έγκυρος υπό σύγχυση υψηλής διάστασης, όπου η παραδοσιακή χειροκίνητη αντιστοίχιση αποτυγχάνει.
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 ↗
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/el/causal-inference/machine-learning-augmented-matching-estimator
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.
- Εκτίμηση Διπλής Ευστάθειας (AIPW)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Αντίστροφη Πιθανότητα Στάθμισης Θεραπείας (IPW / IPTW)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Εκτίμηση διπλής στιβαρότητας επαυξημένη με μηχανική μάθηση (ML-DR)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Εκτιμητής ΑντιστοίχισηςΑιτιακή Συμπερασματολογία↔ σύγκριση
- Αντιστοίχιση Βαθμολογίας ΠροδιάθεσηςΕρευνητική Στατιστική↔ σύγκριση
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →