Masinõppimisega täiustatud hägusa regressi-katkestuse disain
ML-ga täiustatud hägusa RDD laiendab klassikalist hägusa regressi-katkestuse disaini, asendades parameetrilised polünoom-aproksimatsioonid paindlike masinõppimise estimaatoritega. Kui standardne hägusa RDD kasutab IV-stiilis hindamist lävepaku juures ebapiisava järgimisega, siis ML-iga täiustatud variant kasutab mitteparameetrilisi õppijaid – nagu juhuslikud metsad või närvivõrgud – et modelleerida nii tulemust kui ka esimese etapi ravi tõenäosust katkestusjoone lähedal, vähendades väärspetsifitseerimisviga, säilitades samal ajal põhjusliku identifitseerimise.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
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
- Fuzzy Regression Discontinuity DesignPõhjuslik järeldamine↔ võrdle
- Instrumentaalmuutujate (IV) meetod kausaalse järelduse tegemiseksTerviseökonoomika↔ võrdle
- Masinõppega täiendatud regressiooni katkestuspunkti disainPõhjuslik järeldamine↔ võrdle
Similar methods
Märkasid sellel lehel viga? Teata sellest või paku parandust →