Dupla gépi tanulás
A kettős/torzításmentesített gépi tanulás (Double/Debiased Machine Learning, DML), amelyet Chernozhukov et al. (2018) vezettek be, egy szemiparaméteres keretrendszer kauzális vagy strukturális paraméterek becslésére magas dimenziós kontrollok jelenlétében. Rugalmas gépi tanulási módszereket használ a zavaró függvények – az eredmény és a kezelés kovariánsoktól függő feltételes várható értékeinek – modellezésére, majd konstrukál egy torzításmentesített becslőt a célparaméterre, amely gyök-n konzisztenciát és érvényes következtetést ér el a magas dimenziós beállításokra jellemző regularizációs torzítás ellenére.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/hu/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.
- Kettősen robusztus becslés (AIPW)Oksági következtetés↔ compare
- Heterogén kezelési hatások (CATE / Meta-tanulók)Oksági következtetés↔ compare
- Véletlen erdőGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →