Masinõppimisega täiendatud instrumentaalmuutujad (ML-IV)
Masinõppimisega täiendatud instrumentaalmuutujad ühendavad klassikaliste IV meetodite põhjuslikkuse tuvastamise jõu moodsate kõrgedimensionaalsete masinõppe tehnikatega – kasutades meetodeid nagu LASSO, juhuslikud metsad või närvivõrgud, et valida kehtivaid instrumente ja modelleerida tüütuid funktsioone, parandades seeläbi esimese etapi sobivust ja võimaldades kehtivat järeldust isegi siis, kui potentsiaalsete instrumentide või kontrollide arv on proovisuurusega võrreldes suur.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-instrumental-variables
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Kaheastmeline vähimruutude (2SLS / IV) regressioonÖkonomeetria↔ võrdle
- Instrumentaalmuutujate (IV) meetod kausaalse järelduse tegemiseksTerviseökonoomika↔ võrdle
- Lasso-regressioonMasinõpe↔ võrdle
- Kalduvusskoori sobitamineUurimisstatistika↔ võrdle
Märkasid sellel lehel viga? Teata sellest või paku parandust →