طراحی مطالعه رویداد با تقویت یادگیری ماشین
طراحی مطالعه رویداد با تقویت یادگیری ماشین، چارچوب استاندارد مطالعه رویداد — که پویایی پیامدها را پیرامون تاریخ درمان ردیابی میکند — را با روشهای مبتنی بر یادگیری ماشین مانند یادگیری ماشین دوگانه/تخفیفیافته (DML) یا رگرسیون منظم ترکیب میکند تا با متغیرهای کمکی با ابعاد بالا مقابله کند، کنترل متغیرهای مخدوشکننده را بهبود بخشد و برآوردهای علی معتبر را زمانی که فضای متغیرهای کمکی برای رگرسیون متعارف برای مدیریت قابل اعتماد بسیار بزرگ است، تولید کند.
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-event-study-design
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
- تفاوت در تفاوتهای پویااستنتاج علّی↔ compare
- مطالعه رویداد پانلیاستنتاج علّی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →