Masinõppimisega täiustatud sündmusuuringu disain
Masinõppimisega täiustatud sündmusuuringu disain ühendab standardse sündmusuuringu raamistiku – mis jälgib tulemuse dünaamikat ravi kuupäeva ümber – masinõppepõhiste meetoditega, nagu topelt/debiaseeritud masinõppimine (DML) või reguleeritud regressioon, et käsitleda kõrgedimensionaalseid kovariaate, parandada segadustegurite kontrolli ja toota kehtivaid põhjuslikke hinnanguid, kui kovariaatide ruum on liiga suur, et tavaline regressioon seda usaldusväärselt hallata saaks.
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 ↗
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/et/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.
- Erinevused erinevustes (Diff-in-Diff)Ökonomeetria↔ compare
- Dünaamiline erinevuste erinevuste meetodPõhjuslik järeldamine↔ compare
- Paneelevendi uuringPõhjuslik järeldamine↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →