Plan de régression sur discontinuité augmenté par apprentissage automatique
Le plan de régression sur discontinuité augmenté par apprentissage automatique (ML-RDD) combine la logique d'identification précise du RDD classique — exploitant un seuil d'assignation connu dans une variable continue — avec des méthodes d'apprentissage automatique flexibles et adaptatives aux données pour la sélection de la bande passante, l'estimation de la moyenne conditionnelle et l'ajustement des covariables. L'objectif est d'obtenir une estimation plus précise et moins dépendante d'hypothèses de l'effet de traitement moyen local au seuil.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/fr/causal-inference/machine-learning-augmented-regression-discontinuity-design
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Régression par discontinuité floueInférence causale↔ comparer
- Différence-en-différences (DiD) augmentée par apprentissage automatique (ML-DiD)Inférence causale↔ comparer
- Appariement par score de propensionStatistiques de recherche↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →