Desain Studi Peristiwa yang Diperkaya Pembelajaran Mesin
Desain studi peristiwa yang diperkaya pembelajaran mesin (machine learning) menggabungkan kerangka kerja studi peristiwa standar — yang melacak dinamika hasil di sekitar tanggal perlakuan — dengan metode berbasis ML seperti pembelajaran mesin ganda/terdebias (double/debiased machine learning - DML) atau regresi terregularisasi untuk menangani kovariat berdimensi tinggi, meningkatkan kontrol perancu (confounder), dan menghasilkan estimasi kausal yang valid ketika ruang kovariat terlalu besar untuk dikelola secara andal oleh regresi konvensional.
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 ↗
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/id/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.
- Perbedaan-dalam-Perbedaan (Diff-in-Diff)Ekonometrika↔ compare
- Difference-in-Differences DinamisInferensi Kausal↔ compare
- Studi Peristiwa PanelInferensi Kausal↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →