Εγγραφή τεκμηρίου μεθόδου

Machine learning-augmented regression discontinuity design

Machine learning-augmented regression discontinuity design (ML-RDD) combines the sharp identification logic of classical RDD — exploiting a known assignment cutoff in a running variable — with flexible, data-adaptive ML methods for bandwidth selection, conditional mean estimation, and covariate adjustment. The goal is to recover a more accurate and less assumption-laden estimate of the local average treatment effect at the threshold.

Sources recorded, not reviewed

Εγγραφή πηγής

Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.

Machine Learning-Augmented Regression Discontinuity Design

Εγγραφή ταξινομικής μεθόδου · regression-model / causal-inference

Άνοιγμα πλήρους μεθόδου

Επιμελημένοι ισχυρισμοί

Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.

Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί

Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.

Σχετικές μέθοδοι

Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.

Taxonomic bucketFuzzy Regression Discontinuitymachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented difference-in-differencesmachine-suggested · Relational suggestion, not evidence.See alsoPropensity Score Matchingmachine-suggested · Relational suggestion, not evidence.