Machine Learning-Augmented Sensitivity Analysis for Causality
Machine learning-augmented sensitivity analysis combines flexible ML estimators with formal robustness checks to assess how much unmeasured confounding would be required to overturn a causal finding. Rooted in Chernozhukov et al.'s double/debiased ML framework and Cinelli and Hazlett's omitted-variable-bias sensitivity tools, it delivers both high-dimensional covariate adjustment and transparent communication of remaining uncertainty about unobserved confounders.
Εγγραφή πηγής
Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. · DOI 10.1111/rssb.12348
- 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
Επιμελημένοι ισχυρισμοί
Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.
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.