Gépi tanulással kiegészített eseménytanulmány-tervezés
A gépi tanulással kiegészített eseménytanulmány-tervezés a standard eseménytanulmány-keretrendszert – amely egy kezelési dátum körüli kimeneteli dinamikát követ nyomon – gépi tanuláson (ML) alapuló módszerekkel, például kettős/torzításmentes gépi tanulással (DML) vagy regularizált regresszióval kombinálja. Ez lehetővé teszi a nagydimenziós kovariánsok kezelését, javítja a zavaró tényezők kontrollját, és érvényes kauzális becsléseket eredményez, amikor a kovariáns tér túl nagy ahhoz, hogy a hagyományos regresszió megbízhatóan kezelje.
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 ↗
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/hu/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.
- A különbség-különbségek (Diff-in-Diff) módszerÖkonometria↔ compare
- Dinamikus különbség-a-különbségekbenOksági következtetés↔ compare
- Panel Event StudyOksági következtetés↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →