یادگیری ماشین-افزوده تفاضل در تفاضل (ML-DiD)
ML-DiD، استراتژی شناسایی کلاسیک تفاضل در تفاضل را با برآورگرهای انعطافپذیر یادگیری ماشین (ML) برای توابع مزاحم - امتیاز تمایل و رگرسیون پیامد - ترکیب میکند تا برآوردهای علّی معتبر، حتی زمانی که انتخاب درمان و پویایی پیامد پیچیده، با ابعاد بالا یا غیرخطی باشند، به دست آورد. این رویکرد که ریشه در یادگیری ماشین دوگانه/مغلوطزدایی شده (Chernozhukov et al., 2018) و DiD دوگانه-مقاوم (Sant'Anna & Zhao, 2020) دارد، در برابر بایاس مشخصسازی نادرست محافظت میکند و در عین حال منطق اصلی DiD یعنی مقایسههای قبل-بعد، درمانشده-در مقابل-کنترل را حفظ میکند.
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 ↗
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Difference-in-Differences Estimator. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-difference-in-differences
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.
- روش تفاوت در تفاوت (Diff-in-Diff)اقتصادسنجی↔ compare
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ compare
- تفاوت در تفاوتهای پویااستنتاج علّی↔ compare
- تخمینگر تفاوت در تفاوت اثرات درمان ناهمگن (HTE-DiD)استنتاج علّی↔ compare
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ compare
- روش کنترل ترکیبی (SCM)استنتاج علّی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →