Uji Plasebo yang Diperkuat Pembelajaran Mesin
Uji plasebo yang diperkuat pembelajaran mesin (ML) adalah teknik validasi inferensi kausal yang menggunakan estimator ML yang fleksibel — seperti hutan kausal, LASSO, atau ML ganda/terdebias — untuk melakukan pemeriksaan pemalsuan pada strategi identifikasi. Dengan mengganti penugasan perlakuan nyata dengan penugasan plasebo (palsu) dan memverifikasi bahwa efek yang diestimasi runtuh menjadi nol, peneliti mengonfirmasi bahwa temuan kausal mereka bukanlah artefak dari kesalahan spesifikasi model atau perancu.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
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. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/id/causal-inference/machine-learning-augmented-placebo-test
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Perbedaan-dalam-Perbedaan (Diff-in-Diff)Ekonometrika↔ bandingkan
- Metode Variabel Instrumental (IV) untuk Inferensi KausalEkonomi Kesehatan↔ bandingkan
- Metode Kontrol Sintetis (SCM)Inferensi Kausal↔ bandingkan
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →