Regression modelQuasi-experimental / causal inference
רגרסיה בדיד עם תוספת למידת מכונה
רגרסיה בדיד עם תוספת למידת מכונה (ML-RDD) משלבת את ההיגיון של זיהוי חד-משמעי של RDD קלאסי — תוך ניצול נקודת חיתוך ידועה במשתנה רציף — עם שיטות ML גמישות ומסתגלות לנתונים לבחירת רוחב פס, אמידת תוחלת מותנית והתאמת משתנים מתערבים. המטרה היא לשחזר אומדן מדויק יותר ופחות תלוי הנחות של אפקט הטיפול הממוצע המקומי בסף.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
מפת שיטות
סביבת השיטות הקרובות — בחרו צומת כדי לחקור.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/he/causal-inference/machine-learning-augmented-regression-discontinuity-design
איזו שיטה?
הציבו שיטה זו לצד קרובותיה הקרובות וקראו אותן זו לצד זו — הספרייה מניחה את הספרים על השולחן; הבחירה בידיכם.
- עיצוב רגרסיה בדידה מטושטשתהסקה סיבתית↔ השוואה
- הבדלים-בהבדלים (DiD) מוגבר בלמידת מכונה (ML-DiD)הסקה סיבתית↔ השוואה
- התאמת ציון נטייהסטטיסטיקה למחקר↔ השוואה