רגרסיית אי-רציפות מוגברת בלמידת מכונה
רגרסיית אי-רציפות (RDD) מוגברת בלמידת מכונה (ML) מרחיבה את עיצוב רגרסיית אי-רציפות המוגבל (fuzzy RDD) הקלאסי על ידי החלפת קירובים פולינומיים פרמטריים באומדנים גמישים של למידת מכונה. כאשר fuzzy RDD סטנדרטי משתמש באומדן בסגנון משתנה מכשיר (IV) בסף עם היענות לא מושלמת, הגרסה המוגברת ב-ML ממנפת לומדים לא-פרמטריים — כגון יערות אקראיים או רשתות עצביות — כדי למדל הן את התוצאה והן את הסתברות הטיפול בשלב הראשון ליד נקודת החיתוך, מה שמפחית הטיית אי-מפרט תוך שמירה על זיהוי סיבתי.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
מפת שיטות
סביבת השיטות הקרובות — בחרו צומת כדי לחקור.
מקורות
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/he/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
איזו שיטה?
הציבו שיטה זו לצד קרובותיה הקרובות וקראו אותן זו לצד זו — הספרייה מניחה את הספרים על השולחן; הבחירה בידיכם.
- הפרש-בהפרשים (דיד)אקונומטריקה↔ השוואה
- אמידה חסונה כפולה (AIPW)הסקה סיבתית↔ השוואה
- עיצוב רגרסיה בדידה מטושטשתהסקה סיבתית↔ השוואה
- שיטת המשתנים המתערבים (IV) להסקה סיבתיתכלכלת בריאות↔ השוואה
- רגרסיה בדיד עם תוספת למידת מכונההסקה סיבתית↔ השוואה