آزمون پلاسیب تقویتشده با یادگیری ماشین
آزمون پلاسیب تقویتشده با یادگیری ماشین، تکنیکی اعتبارسنجی استنتاج علی است که از برآوردگرهای انعطافپذیر یادگیری ماشین (ML) — مانند جنگلهای علی، LASSO، یا یادگیری ماشین دوگانه/بدون اریب — برای انجام آزمونهای ابطال بر روی یک استراتژی شناسایی استفاده میکند. با جایگزینی تخصیصهای واقعیِ درمان با تخصیصهای پلاسیب (جعلی) و تأیید اینکه اثر برآورد شده به سمت صفر میل میکند، محققان تأیید میکنند که یافتههای علی آنها مصنوعاتِ مشخصسازی نادرست مدل یا مخدوشکنندهها نیستند.
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. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-placebo-test
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
- روش متغیرهای ابزاری (IV) برای استنتاج علیاقتصاد سلامت↔ compare
- روش کنترل ترکیبی (SCM)استنتاج علّی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →