Topeltmasinõpe
Topelt-/nihketa masinõpe (DML, tutvustatud Chernozhukovi jt (2018)), on poolparameetriline raamistik kausaalsete või struktuursete parameetrite hindamiseks kõrgedimensionaalsete kontrollide juuresolekul. See kasutab paindlikke masinõppemeetodeid nuisansifunktsioonide – tulemuse ja kovariaatide põhjal määratletud ravi tingimuslike ootuste – modelleerimiseks ning seejärel konstrueerib sihtparameetri nihketa hinnangu, mis saavutab juur-n järjepidevuse ja kehtiva järelduse, vaatamata kõrgedimensionaalsetes seadetes esinevale regularisatsiooninihkele.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/et/causal-inference/double-machine-learning
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.
- Topeltrobustne hindamine (AIPW)Põhjuslik järeldamine↔ compare
- Heterogeneous Treatment EffectsPõhjuslik järeldamine↔ compare
- Juhuslik metsMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →