Koneoppimista hyödyntävät instrumenttimuuttujat (ML-IV)
Koneoppimisavusteiset instrumenttimuuttujat yhdistävät klassisten IV-menetelmien kausaalisen tunnistusvoiman ja modernin korkeaulotteisen koneoppimisen — käyttäen menetelmiä kuten LASSO, satunnaismetsät tai neuroverkot pätevien instrumenttien valitsemiseksi ja häiriöfunktioiden mallintamiseksi, parantaen siten ensimmäisen vaiheen sopivuutta ja mahdollistaen pätevän päättelyn, vaikka potentiaalisten instrumenttien tai kontrollien määrä olisi suuri suhteessa otoskokoon.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/fi/causal-inference/machine-learning-augmented-instrumental-variables
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Kaksivaiheinen pienimmän neliösumman menetelmä (2SLS / IV) regressioEkonometria↔ vertaa
- Instrumentaalimuuttujamenetelmä (IV) kausaalisen päättelyn menetelmänäTerveystaloustiede↔ vertaa
- Lasso-regressioKoneoppiminen↔ vertaa
- Propensity Score MatchingTutkimuksen tilastomenetelmät↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →