Masinõppega täiendatud regressiooni katkestuspunkti disain
Masinõppega täiendatud regressiooni katkestuspunkti disain (ML-RDD) ühendab klassikalise RDD terava identifitseerimisloogika – mis kasutab ära teadaolevat määramisläve jooksva muutuja puhul – paindlike, andmepõhiste ML-meetoditega ribalaiuse valikuks, tingliku keskmise hindamiseks ja kovariaatide kohandamiseks. Eesmärk on saada täpsem ja vähem eeldustele tuginev hinnang lokaalsele keskmisele raviefektile lävepunktis.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-regression-discontinuity-design
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Fuzzy Regression Discontinuity DesignPõhjuslik järeldamine↔ võrdle
- Masinõppega täiendatud erinevuste-erinevuste meetod (ML-DiD)Põhjuslik järeldamine↔ võrdle
- Kalduvusskoori sobitamineUurimisstatistika↔ võrdle
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →