متغیرهای ابزاری تقویتشده با یادگیری ماشین (ML-IV)
متغیرهای ابزاری تقویتشده با یادگیری ماشین، قدرت شناسایی علّی متغیرهای ابزاری کلاسیک را با یادگیری ماشین پیشرفته با ابعاد بالا ترکیب میکند — با استفاده از روشهایی مانند LASSO، جنگلهای تصادفی یا شبکههای عصبی برای انتخاب ابزارهای معتبر و مدلسازی توابع مزاحم، در نتیجه برازش مرحله اول را بهبود میبخشد و استنتاج معتبر را حتی زمانی که تعداد ابزارهای بالقوه یا متغیرهای کنترلی نسبت به اندازه نمونه زیاد است، امکانپذیر میسازد.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-instrumental-variables
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.
- رگرسیون حداقل مربعات دو مرحلهای (2SLS / IV)اقتصادسنجی↔ مقایسه
- روش متغیرهای ابزاری (IV) برای استنتاج علیاقتصاد سلامت↔ مقایسه
- رگرسیون لسویادگیری ماشین↔ مقایسه
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →