ML-kiegészített párosítási becslő
A gépi tanulással (ML) kiegészített párosítási becslő a klasszikus legközelebbi szomszéd vagy hajlamossági pontszám alapú párosítást ML-algoritmusokkal – mint például a lasso, random forest vagy gradient boosting – kombinálja a kovariánsok kiválasztására, a hajlamossági pontszámok becslésére és a maradék torzítás korrigálására. Az eredmény egy párosításon alapuló kauzális becslő, amely nagy dimenziós konfúzió esetén is érvényes marad, ahol a hagyományos, kézzel megadott párosítás kudarcot vall.
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/hu/causal-inference/machine-learning-augmented-matching-estimator
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.
- Kettősen robusztus becslés (AIPW)Oksági következtetés↔ összehasonlítás
- Az inverz valószínűségi kezelési súlyozás (IPW / IPTW)Oksági következtetés↔ összehasonlítás
- Gyakorlati kettős robust becslés gépi tanulással (ML-DR)Oksági következtetés↔ összehasonlítás
- Illesztő becslőOksági következtetés↔ összehasonlítás
- Tárgyhajlamossági pontszám illesztésKutatási statisztika↔ összehasonlítás
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →