Regression modelQuasi-experimental / causal inference

Estudio de eventos en panel aumentado con aprendizaje automático

El estudio de eventos en panel aumentado con aprendizaje automático extiende el estudio de eventos en panel clásico al reemplazar o aumentar los modelos contrafactuales paramétricos con estimadores de aprendizaje automático — como LASSO, bosques aleatorios o completamiento de matrices — para construir líneas de base pre-evento más precisas, detectar violaciones de tendencias paralelas y producir estimaciones de efectos causales válidas en múltiples períodos post-evento.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Estudio de eventos en panel aumentado con aprendizaje automático
Diferencia en Diferencia…Modelo de Efectos Fijos…Método de Control Sintét…

Fuentes

  1. Chernozhukov, V., Wuthrich, K., & Zhu, Y. (2021). An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls. Journal of the American Statistical Association, 116(536), 1849-1864. DOI: 10.1080/01621459.2021.1920957
  2. Freyaldenhoven, S., Hansen, C., & Shapiro, J. M. (2019). Pre-event Trends in the Panel Event-Study Design. American Economic Review, 109(9), 3307-3338. DOI: 10.1257/aer.20180609

Cómo citar esta página

ScholarGate. (2026, June 3). Machine Learning-Augmented Panel Event Study Estimator. ScholarGate. https://scholargate.app/es/causal-inference/machine-learning-augmented-panel-event-study

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.

Compare side by side
ScholarGateMachine Learning-Augmented Panel Event Study (Machine Learning-Augmented Panel Event Study Estimator). Recuperado el 2026-06-15 de https://scholargate.app/es/causal-inference/machine-learning-augmented-panel-event-study · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026