ارزیابی تأثیر پادواقعی تقویتشده با یادگیری ماشین
ارزیابی تأثیر پادواقعی تقویتشده با یادگیری ماشین، اعتبار استنتاج علی پیامدهای بالقوه را با انعطافپذیری الگوریتمهای یادگیری ماشین مدرن ترکیب میکند. به جای تحمیل اشکال تابعی پارامتریک برای عوامل مخدوشکننده، یادگیرندههای یادگیری ماشین — مانند لاسو، جنگلهای تصادفی، یا شبکههای عصبی — توابع مزاحم (امتیازات گرایش، رگرسیون پیامد) را تخمین میزنند که سپس برای ساخت تخمینهای تقریباً نااریب از اثرات علی استفاده میشوند. نمونه اولیه متعارف، یادگیری ماشین دوگانه/رفع اریبی (DML) است که توسط چرنوژوکوف و همکاران (۲۰۱۸) فرموله شده است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
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 ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- تحلیل اثر علیّتاستنتاج علّی↔ مقایسه
- ارزیابی پیامدهای پادواقعی (CIE)استنتاج علّی↔ مقایسه
- روش تفاوت در تفاوت (Diff-in-Diff)اقتصادسنجی↔ مقایسه
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ مقایسه
- روش کنترل ترکیبی (SCM)استنتاج علّی↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →