Masinõppimisega täiustatud kontrafaktuaalne mõjuanalüüs
Masinõppimisega täiustatud kontrafaktuaalne mõjuanalüüs ühendab potentsiaalsete tulemuste põhjuslikkuse järelduste usaldusväärsuse kaasaegsete masinõppe algoritmide paindlikkusega. Selle asemel, et kehtestada seganäitajatele parameetrilisi funktsionaalseid vorme, hindavad masinõppe õppijad – nagu lasso, juhuslikud metsad või neuraalvõrgud – ebavajalike funktsioone (kalduvuskoefitsiendid, tulemusregressioonid), mida seejärel kasutatakse põhjuslike mõjude ligikaudu nihketa hinnangute koostamiseks. Kanooliline ilming on Double/Debiased Machine Learning (DML), mille formaliseerisid Chernozhukov et al. (2018).
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Kausaalne mõju analüüsPõhjuslik järeldamine↔ võrdle
- Kontrafaktuaalne mõju hindamine (CIE)Põhjuslik järeldamine↔ võrdle
- Erinevused erinevustes (Diff-in-Diff)Ökonomeetria↔ võrdle
- Kalduvusskoori sobitamineUurimisstatistika↔ võrdle
- Sünteetilise kontrolli meetod (SCM)Põhjuslik järeldamine↔ võrdle
Similar methods
Märkasid sellel lehel viga? Teata sellest või paku parandust →