Koneoppimista hyödyntävä kohdistusestimaattori
Koneoppimisavusteinen kohdistusestimaattori yhdistää klassisen lähimmän naapurin tai taipumusosamäärän kohdistuksen koneoppimisalgoritmeihin – kuten lasso, satunnaismetsät tai gradienttitehostus – kovariaattien valitsemiseksi, taipumusosamäärien estimoimiseksi ja jäännösennakkojen korjaamiseksi. Tuloksena on kohdistukseen perustuva kausaalinen estimaattori, joka pysyy pätevänä korkeaulotteisessa sekoittumisessa, jossa perinteinen käsin määritetty kohdistus epäonnistuu.
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/fi/causal-inference/machine-learning-augmented-matching-estimator
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Kaksoisrobustin estimoinnin (AIPW) menetelmäKausaalipäättely↔ vertaa
- Käänteisen todennäköisyyden painotus (IPW / IPTW)Kausaalipäättely↔ vertaa
- Koneoppimista hyödyntävä kaksinkertaisesti robusti estimointi (ML-DR)Kausaalipäättely↔ vertaa
- SovitusestimaattoriKausaalipäättely↔ vertaa
- Propensity Score MatchingTutkimuksen tilastomenetelmät↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →