Koneoppimisella täydennetty kontrafaktuaalinen vaikuttavuuden arviointi
Koneoppimisella täydennetty kontrafaktuaalinen vaikuttavuuden arviointi yhdistää potentiaalisten lopputulemien kausaalipäättelyn uskottavuuden modernien koneoppimisalgoritmien joustavuuteen. Sen sijaan, että hämmentäville muuttujille asetettaisiin parametrisia funktionaalisia muotoja, koneoppimismenetelmät – kuten lasso, satunnaismetsät tai neuroverkot – estimoivat häiriöfunktioita (propensiteettipisteet, lopputulosregressiot), joita käytetään sitten likimain harhattomien kausaalivaikutusten estimaattien muodostamiseen. Kanoninen toteutus on Double/Debiased Machine Learning (DML), jonka Chernozhukov et al. (2018) formalisoivat.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
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 ↗
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/fi/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- KausaalivaikutusanalyysiKausaalipäättely↔ vertaa
- Kontrafaktuaalinen vaikuttavuusarviointi (CIE)Kausaalipäättely↔ vertaa
- Erojen erot (Diff-in-Diff)Ekonometria↔ vertaa
- Propensity Score MatchingTutkimuksen tilastomenetelmät↔ vertaa
- Synteettisen kontrollin menetelmä (SCM)Kausaalipäättely↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →