طرح رگرسیون ناپیوستگی فازی تقویتشده با یادگیری ماشین
طرح رگرسیون ناپیوستگی فازی تقویتشده با یادگیری ماشین، طرح رگرسیون ناپیوستگی فازی کلاسیک را با جایگزینی تقریبهای چندجملهای پارامتریک با تخمینگرهای انعطافپذیر یادگیری ماشین گسترش میدهد. در حالی که طرح رگرسیون ناپیوستگی فازی استاندارد از تخمینگر به سبک متغیر ابزاری در یک آستانه با عدم رعایت کامل استفاده میکند، نوع تقویتشده با یادگیری ماشین از یادگیرندههای غیرپارامتریک - مانند جنگلهای تصادفی یا شبکههای عصبی - برای مدلسازی هم احتمال پیامد و هم احتمال درمان مرحله اول در نزدیکی حد آستانه بهره میبرد، که سوگیری عدم مشخصسازی را کاهش داده و شناسایی علی را حفظ میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
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.
- روش تفاوت در تفاوت (Diff-in-Diff)اقتصادسنجی↔ مقایسه
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ مقایسه
- رگرسیون فازی ناپیوستگی (Fuzzy Regression Discontinuity Design)استنتاج علّی↔ مقایسه
- روش متغیرهای ابزاری (IV) برای استنتاج علیاقتصاد سلامت↔ مقایسه
- طراحی رگرسیون ناپیوسته تقویتشده با یادگیری ماشیناستنتاج علّی↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →