मशीन लर्निंग-संवर्धित रिग्रेशन डिसकंटीन्यूटी डिज़ाइन
मशीन लर्निंग-संवर्धित रिग्रेशन डिसकंटीन्यूटी डिज़ाइन (ML-RDD) शास्त्रीय RDD के तीव्र पहचान तर्क को जोड़ती है — एक रनिंग वेरिएबल में एक ज्ञात असाइनमेंट कटऑफ का फायदा उठाना — बैंडविड्थ चयन, सशर्त माध्य अनुमान और सहसंयोजक समायोजन के लिए लचीले, डेटा-अनुकूली ML विधियों के साथ। लक्ष्य थ्रेशोल्ड पर स्थानीय औसत उपचार प्रभाव का अधिक सटीक और कम धारणा-आधारित अनुमान प्राप्त करना है।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
पद्धति मानचित्र
सम्बन्धित पद्धतियों का परिवेश — अन्वेषण हेतु किसी नोड का चयन करें।
स्रोत
- 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 ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/hi/causal-inference/machine-learning-augmented-regression-discontinuity-design
कौन-सी पद्धति?
इस पद्धति को उसकी निकटतम सजातीय पद्धतियों के साथ रखकर उन्हें साथ-साथ पढ़ें — पुस्तकालय पुस्तकें मेज़ पर रख देता है; चुनाव आपका है।
- फजी रिग्रेशन डिसकंटीन्यूइटी डिज़ाइनकारणात्मक अनुमान↔ तुलना करें
- मशीन लर्निंग-ऑग्मेंटेड डिफरेंस-इन-डिफरेंस (ML-DiD)कारणात्मक अनुमान↔ तुलना करें
- प्रोपेंसिटी स्कोर मैचिंगअनुसंधान सांख्यिकी↔ तुलना करें