Masinõppega täiendatud kahekordselt robustne hinnang (ML-DR)
Masinõppega täiendatud kahekordselt robustne (ML-DR) hindamine ühendab klassikalise kahekordselt robustse (AIPW) identifitseerimisstrateegia paindlike masinõppemudelitega häirivate funktsioonide – propensoorskoori ja tulemuse regressiooni – jaoks. Tulemuseks on põhjuslik hinnang, mis on kooskõlaline, kui kumbki ML-komponent on õigesti spetsifitseeritud, ja mis saavutab kehtiva, ruutjuur-n järelduse isegi siis, kui häirivaid mudeleid hinnatakse kõrgedimensionaalse regulariseerimise või mitteparameetriliste õppijatega.
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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-doubly-robust-estimation
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Erinevused erinevustes (Diff-in-Diff)Ökonomeetria↔ võrdle
- Topeltrobustne hindamine (AIPW)Põhjuslik järeldamine↔ võrdle
- Pöörd-tõenäosuskaalutamine (IPW / IPTW)Põhjuslik järeldamine↔ võrdle
- Masinõppimisega täiustatud sobivusskoori sobitaminePõhjuslik järeldamine↔ võrdle
- Marginaalne strukturaalne mudel (MSM)Põhjuslik järeldamine↔ võrdle
- Propensity Score Weighting (PSW / IPW)Põhjuslik järeldamine↔ võrdle
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →