Strojno učenje-pojačana analiza osjetljivosti za kauzalnost
Strojno učenje-pojačana analiza osjetljivosti kombinira fleksibilne ML procjenitelje s formalnim provjerama robusnosti kako bi se procijenilo koliko bi neizmjereno zbunjivanje bilo potrebno da se preokrene kauzalni nalaz. Ukorijenjena u Chernozhukov et al. dvostruko/debiased ML okviru i Cinelli i Hazlett alatima za osjetljivost na izostavljene varijable, ona pruža i visokodimenzionalnu prilagodbu kovarijata i transparentnu komunikaciju preostale nesigurnosti o neopaženim zbunjivačima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/hr/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
- Metoda razlika u razlikama (engl. Difference-in-Differences, DiD)Ekonometrija↔ usporedi
- Metoda instrumentalnih varijabli (IV) za kauzalno zaključivanjeZdravstvena ekonomija↔ usporedi
- Uparivanje prema ocjeni sklonostiIstraživačka statistika↔ usporedi
- Dizajn diskontinuiteta regresije (RDD)Uzročno zaključivanje↔ usporedi
- Metoda sintetičke kontrole (SCM)Uzročno zaključivanje↔ usporedi
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →