Masinõppega täiendatud platseebotest
Masinõppega täiendatud platseebotest on põhjusliku järeldamise valideerimistehnika, mis kasutab paindlikke masinõppe (ML) estimaatoreid – nagu kausaalsed metsad (causal forests), LASSO või topelt/debiaseeritud ML (double/debiased ML) – identifitseerimisstrateegia võltsimiskontrollide läbiviimiseks. Asendades tegelikud ravitunnused platseebo (võlts) tunnustega ja veendudes, et hinnanguline efekt langeb nulli, kinnitavad teadlased, et nende põhjuslikud leiud ei ole mudeli valesti spetsifitseerimise või segavate tegurite artefaktid.
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 Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-placebo-test
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
- Instrumentaalmuutujate (IV) meetod kausaalse järelduse tegemiseksTerviseökonoomika↔ võrdle
- Sünteetilise kontrolli meetod (SCM)Põhjuslik järeldamine↔ võrdle
Märkasid sellel lehel viga? Teata sellest või paku parandust →