Masinõppimisega täiustatud tundlikkusanalüüs põhjuslikkuse jaoks
Masinõppimisega täiustatud tundlikkusanalüüs ühendab paindlikud masinõppe hinnangud formaalsete robustsuskontrollidega, et hinnata, kui palju mõõtmata segajaid oleks vaja, et kummutada põhjuslik järeldus. See põhineb Chernozhukovi jt topelt/debiaseeritud masinõppe raamistikul ja Cinelli ning Hazletti poolt väljatöötatud väljajäetud muutujate vea tundlikkuse tööriistadel, pakkudes nii kõrgedimensionaalset kovariaatide kohandamist kui ka läbipaistvat teabevahetust allesjäänud ebakindluse kohta mõõtmata segajate osas.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- Instrumentaalmuutujate (IV) meetod kausaalse järelduse tegemiseksTerviseökonoomika↔ compare
- Kalduvusskoori sobitamineUurimisstatistika↔ compare
- Regressioonkatkestusdisain (RDD)Põhjuslik järeldamine↔ compare
- Sünteetilise kontrolli meetod (SCM)Põhjuslik järeldamine↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →