Dizajn studije događaja proširen strojnim učenjem
Dizajn studije događaja proširen strojnim učenjem kombinira standardni okvir studije događaja — koji prati dinamiku ishoda oko datuma tretmana — s metodama temeljenim na strojnom učenju kao što su dvostruko/debiased strojno učenje (DML) ili regularizirana regresija za obradu visokodimenzionalnih kovarijata, poboljšanje kontrole zbunjujućih čimbenika i dobivanje valjanih kauzalnih procjena kada je prostor kovarijata prevelik da bi ga konvencionalna regresija pouzdano mogla obraditi.
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/hr/causal-inference/machine-learning-augmented-event-study-design
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.
- Metoda razlika u razlikama (engl. Difference-in-Differences, DiD)Ekonometrija↔ compare
- Dinamička metoda razlika u razlikama (Dynamic Difference-in-Differences)Uzročno zaključivanje↔ compare
- Panel Event StudyUzročno zaključivanje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →