Koneoppimista hyödyntävä regressioepäjatkuvuussuunnitelma
Koneoppimista hyödyntävä regressioepäjatkuvuussuunnitelma (ML-RDD) yhdistää klassisen RDD:n terävän tunnistuslogiikan – hyödyntäen tunnettua kohdistuskynnystä juoksevassa muuttujassa – joustaviin, dataan mukautuviin ML-menetelmiin kaistanleveyden valinnalle, ehdollisen keskiarvon estimoinnille ja kovariaattien säätämiselle. Tavoitteena on saada tarkempi ja vähemmän oletusarvoihin perustuva arvio paikallisesta keskimääräisestä hoitovaikutuksesta kynnysarvolla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/fi/causal-inference/machine-learning-augmented-regression-discontinuity-design
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Fuzzy Regression Discontinuity DesignKausaalipäättely↔ vertaa
- Koneoppimisella täydennetty differenssi-differenssi-menetelmä (ML-DiD)Kausaalipäättely↔ vertaa
- Propensity Score MatchingTutkimuksen tilastomenetelmät↔ vertaa
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →