Kaksoiskoneoppiminen
Chernozhukova ym. (2018) esittelemä kaksois-/harhanpoistettu koneoppiminen (DML) on semiparametrinen kehys kausaalisten tai rakenteellisten parametrien estimointiin korkeaulotteisten kontrollien läsnäollessa. Se käyttää joustavia koneoppimismenetelmiä harhafunktioiden – tuloksen ja hoidon ehdollisten odotusarvojen kovariaattien suhteen – mallintamiseen ja muodostaa sitten harhanpoistetun estimaattorin kohdeparametrille, joka saavuttaa juuri-n-konsistenssin ja pätevän päättelyn huolimatta korkeaulotteisissa asetelmissa piilevästä regularisaatiovirheestä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/fi/causal-inference/double-machine-learning
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.
- Kaksoisrobustin estimoinnin (AIPW) menetelmäKausaalipäättely↔ compare
- Heterogeenisten hoito-vaikutusten (CATE / Meta-oppijat)Kausaalipäättely↔ compare
- Random ForestKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →