Gépi tanulással kiegészített instrumentális változók (ML-IV)
A gépi tanulással kiegészített instrumentális változók (ML-IV) a klasszikus instrumentális változók (IV) kauzális azonosítási erejét ötvözi a modern, nagy dimenziós gépi tanulással – olyan módszereket használva, mint a LASSO, random forest vagy neurális hálózatok az érvényes instrumentumok kiválasztására és a zavaró (nuisance) függvények modellezésére, ezáltal javítva az első szakasz illeszkedését és lehetővé téve az érvényes következtetést akkor is, ha a potenciális instrumentumok vagy kontrollváltozók száma nagy a mintamérethez képest.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/hu/causal-inference/machine-learning-augmented-instrumental-variables
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Kétszakaszos legkisebb négyzetek (2SLS / IV) regresszióÖkonometria↔ összehasonlítás
- Instrumentális Változók (IV) Módszer Kauzális Infláció BecsléséreEgészség-gazdaságtan↔ összehasonlítás
- Lasso-regresszióGépi tanulás↔ összehasonlítás
- Tárgyhajlamossági pontszám illesztésKutatási statisztika↔ összehasonlítás
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →