Conception d'étude d'événements augmentée par l'apprentissage automatique
La conception d'étude d'événements augmentée par l'apprentissage automatique combine le cadre standard de l'étude d'événements — qui retrace la dynamique des résultats autour d'une date de traitement — avec des méthodes basées sur l'apprentissage automatique (ML) telles que l'apprentissage automatique double/débiaisé (DML) ou la régression régularisée pour gérer les covariables de haute dimension, améliorer le contrôle des facteurs de confusion et produire des estimations causales valides lorsque l'espace des covariables est trop vaste pour que la régression conventionnelle puisse le gérer de manière fiable.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/fr/causal-inference/machine-learning-augmented-event-study-design
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Différence-en-différences (Diff-in-Diff)Économétrie↔ compare
- Différence-en-différences dynamiqueInférence causale↔ compare
- Étude d'événement sur données de panelInférence causale↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →