Diseño de estudio de eventos aumentado con aprendizaje automático
El diseño de estudio de eventos aumentado con aprendizaje automático combina el marco estándar del estudio de eventos —que rastrea la dinámica de los resultados en torno a una fecha de tratamiento— con métodos basados en ML, como el aprendizaje automático doble/desviado (DML) o la regresión regularizada, para manejar covariables de alta dimensionalidad, mejorar el control de confundidores y producir estimaciones causales válidas cuando el espacio de covariables es demasiado grande para que la regresión convencional lo gestione de manera fiable.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/es/causal-inference/machine-learning-augmented-event-study-design
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Diferencia en Diferencias (Diff-in-Diff)Econometría↔ compare
- Diferencias en Diferencias DinámicasInferencia causal↔ compare
- Estudio de evento en panelInferencia causal↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →