Metodin todisteiden tietue

Machine learning-augmented regression discontinuity design

Machine learning-augmented regression discontinuity design (ML-RDD) combines the sharp identification logic of classical RDD — exploiting a known assignment cutoff in a running variable — with flexible, data-adaptive ML methods for bandwidth selection, conditional mean estimation, and covariate adjustment. The goal is to recover a more accurate and less assumption-laden estimate of the local average treatment effect at the threshold.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Machine Learning-Augmented Regression Discontinuity Design

Taksonominen metoditietue · regression-model / causal-inference

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

Taxonomic bucketFuzzy Regression Discontinuitymachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented difference-in-differencesmachine-suggested · Relational suggestion, not evidence.See alsoPropensity Score Matchingmachine-suggested · Relational suggestion, not evidence.