Dvostruko strojno učenje
Dvostruko/debiassirano strojno učenje (DML), koje su uveli Chernozhukov i sur. (2018.), semiparametarski je okvir za procjenu kauzalnih ili strukturnih parametara u prisutnosti visokodimenzionalnih kontrolnih varijabli. Koristi fleksibilne metode strojnog učenja za modeliranje smetajućih funkcija — uvjetnih očekivanja ishoda i tretmana s obzirom na kovarijate — a zatim konstruira debiassirani procjenitelj ciljnog parametra koji postiže konzistentnost korijena-n i valjanu inferenciju unatoč pristranosti regularizacije svojstvenoj visokodimenzionalnim postavkama.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/hr/causal-inference/double-machine-learning
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.
- Udvostručeno robusna procjena (AIPW)Uzročno zaključivanje↔ compare
- Heterogeni učinci tretmana (CATE / meta-učenici)Uzročno zaključivanje↔ compare
- Slučajna šumaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →