تحلیل حساسیت تقویتشده با یادگیری ماشین برای علیت
تحلیل حساسیت تقویتشده با یادگیری ماشین، برآوردهای انعطافپذیر یادگیری ماشین را با آزمونهای استحکام رسمی ترکیب میکند تا ارزیابی کند چه مقدار آمیختگی اندازهگیری نشده برای واژگون کردن یک یافته علی لازم است. این روش که ریشه در چارچوب یادگیری ماشین دوگانه/رفعابهامشده چِرنوژوکوو و همکاران (Chernozhukov et al.) و ابزارهای حساسیت به سوگیری متغیر حذفشده سینلی و هازلت (Cinelli and Hazlett) دارد، هم تنظیم متغیرهای هموردا با ابعاد بالا و هم ارتباط شفاف عدم قطعیت باقیمانده در مورد آمیختهگرهای مشاهدهنشده را ارائه میدهد.
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ compare
- طرح گسستگی رگرسیون (RDD)استنتاج علّی↔ compare
- روش کنترل ترکیبی (SCM)استنتاج علّی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →