برآورد مضاعفاً استوار با تقویت یادگیری ماشین (ML-DR)
برآورد مضاعفاً استوار با تقویت یادگیری ماشین (ML-DR) استراتژی شناسایی کلاسیک مضاعفاً استوار (AIPW) را با مدلهای یادگیری ماشین انعطافپذیر برای توابع مزاحم - امتیاز تمایل و رگرسیون پیامد - ترکیب میکند. نتیجه یک برآوردگر علی است که اگر هر یک از اجزای یادگیری ماشین به درستی مشخص شده باشد، سازگار است و حتی زمانی که مدلهای مزاحم با استفاده از رگولاریزاسیون با ابعاد بالا یا یادگیرندههای ناپارامتری تخمین زده میشوند، استنتاج معتبر و نرخ ریشه n را به دست میآورد.
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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-doubly-robust-estimation
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
- وزندهی احتمال معکوسِ دریافتِ درمان (IPW / IPTW)استنتاج علّی↔ compare
- تطابق امتیاز تمایل تقویتشده با یادگیری ماشیناستنتاج علّی↔ compare
- مدل ساختاری حاشیهای (MSM)استنتاج علّی↔ compare
- وزندهی امتیاز تمایل (PSW / IPW)استنتاج علّی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →