Gépi tanulással kiegészített regresszió-diszkontinuitás-terv
A gépi tanulással kiegészített regresszió-diszkontinuitás-terv (ML-RDD) a klasszikus RDD éles azonosítási logikáját – amely egy futó változó ismert hozzárendelési küszöbértékét használja ki – ötvözi a rugalmas, adatvezérelt ML-módszerekkel a sávszélesség-kiválasztás, a feltételes átlagbecslés és a kovariáncia-kiigazítás érdekében. A cél a helyi átlagos kezelési hatás (local average treatment effect) küszöbértékénél történő pontosabb és kevesebb feltételezéstől függő becslésének helyreállítása.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/hu/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Fuzzy Regressziós Megszakítási TervOksági következtetés↔ összehasonlítás
- Gépi tanulással kiegészített különbség-a-különbségekben (ML-DiD)Oksági következtetés↔ összehasonlítás
- Tárgyhajlamossági pontszám illesztésKutatási statisztika↔ összehasonlítás
Hivatkozik rá
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →