Regresijsko diskontinuirano projektiranje (RDD) prošireno strojnim učenjem
Regresijsko diskontinuirano projektiranje (RDD) prošireno strojnim učenjem (ML-RDD) kombinira logiku oštre identifikacije klasičnog RDD-a — iskorištavajući poznati granični prekid u trčećoj varijabli — s fleksibilnim, adaptivnim metodama strojnog učenja za odabir širine pojasa, procjenu uvjetne srednje vrijednosti i prilagodbu kovarijata. Cilj je dobiti točniju procjenu lokalnog prosječnog učinka tretmana na graničnoj vrijednosti, s manje pretpostavki.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/hr/causal-inference/machine-learning-augmented-regression-discontinuity-design
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
- Fuzzy regresijski diskontinuitetni dizajnUzročno zaključivanje↔ usporedi
- Uvećani razlika-u-razlici (ML-DiD) potpomognut strojnim učenjemUzročno zaključivanje↔ usporedi
- Uparivanje prema ocjeni sklonostiIstraživačka statistika↔ usporedi
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →