یادگیری ماشین مضاعف
یادگیری ماشین مضاعف/رفع اریب (DML)، که توسط چرنوژوکوف و همکاران (۲۰۱۸) معرفی شد، یک چارچوب نیمهپارامتری برای تخمین پارامترهای علی یا ساختاری در حضور کنترلهای با ابعاد بالا است. این روش از روشهای یادگیری ماشین انعطافپذیر برای مدلسازی توابع مزاحم - انتظارات شرطی نتیجه و درمان با توجه به متغیرهای کمکی - استفاده میکند و سپس یک تخمینگر رفع اریب از پارامتر هدف را میسازد که به انسجام ریشه n و استنتاج معتبر علیرغم اریب تنظیم ذاتی در تنظیمات با ابعاد بالا دست مییابد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/fa/causal-inference/double-machine-learning
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.
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ compare
- اثرات درمانی ناهمگن (CATE / فرایادگیرها)استنتاج علّی↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →