طراحی رگرسیون ناپیوسته تقویتشده با یادگیری ماشین
طراحی رگرسیون ناپیوسته تقویتشده با یادگیری ماشین (ML-RDD) منطق شناسایی دقیق طرحهای کلاسیک RDD را - با بهرهگیری از یک نقطه برش (cutoff) مشخص در یک متغیر پیوسته - با روشهای انعطافپذیر و انطباقی با داده یادگیری ماشین برای انتخاب پهنای باند، تخمین میانگین شرطی و تعدیل متغیرهای کمکی ترکیب میکند. هدف، بازیابی تخمین دقیقتر و با مفروضات کمتر از اثر میانگین محلی درمان در نقطه برش است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-regression-discontinuity-design
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 فازی ناپیوستگی (Fuzzy Regression Discontinuity Design)استنتاج علّی↔ مقایسه
- یادگیری ماشین-افزوده تفاضل در تفاضل (ML-DiD)استنتاج علّی↔ مقایسه
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →