Μηχανική Μάθηση-Ενισχυμένος Σχεδιασμός Ασυγκριτότητας Παλινδρόμησης
Ο ενισχυμένος με μηχανική μάθηση σχεδιασμός ασυγκριτότητας παλινδρόμησης (ML-RDD) συνδυάζει τη λογική της αιχμηρής αναγνώρισης του κλασικού RDD — εκμεταλλευόμενος ένα γνωστό όριο ανάθεσης σε μια συνεχώς μεταβαλλόμενη μεταβλητή — με ευέλικτες, προσαρμοζόμενες στα δεδομένα μεθόδους ML για την επιλογή εύρους ζώνης, την εκτίμηση της υπό συνθήκη μέσης τιμής και την προσαρμογή συσχετιστών. Ο στόχος είναι η ανάκτηση μιας ακριβέστερης και λιγότερο φορτωμένης με παραδοχές εκτίμησης της τοπικής μέσης επίδρασης της θεραπείας στο όριο.
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
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/el/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Σχεδιασμός Ασαφούς Ασυνέχειας ΠαλινδρόμησηςΑιτιακή Συμπερασματολογία↔ σύγκριση
- Μηχανική Μάθηση-Ενισχυμένη Διαφορές-στις-Διαφορές (ML-DiD)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Αντιστοίχιση Βαθμολογίας ΠροδιάθεσηςΕρευνητική Στατιστική↔ σύγκριση
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →