Pembelajaran Mesin Ganda
Pembelajaran Mesin Ganda/Debiased (DML), yang diperkenalkan oleh Chernozhukov et al. (2018), adalah kerangka kerja semiparametrik untuk mengestimasi parameter kausal atau struktural dengan adanya kontrol berdimensi tinggi. Kerangka ini menggunakan metode pembelajaran mesin yang fleksibel untuk memodelkan fungsi pengganggu—ekspektasi kondisional dari hasil dan perlakuan berdasarkan kovariat—dan kemudian membangun estimator yang terdebiased dari parameter target yang mencapai konsistensi akar-n dan inferensi yang valid meskipun ada bias regularisasi yang melekat dalam pengaturan berdimensi tinggi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/id/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.
- Estimasi Robust Ganda (AIPW)Inferensi Kausal↔ compare
- Efek Perlakuan Heterogen (CATE / Meta-Learner)Inferensi Kausal↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →