Desain Regresi Diskontinuitas yang Diperkuat Pembelajaran Mesin
Desain regresi diskontinuitas yang diperkuat pembelajaran mesin (ML-RDD) menggabungkan logika identifikasi tajam RDD klasik — memanfaatkan ambang batas penugasan yang diketahui dalam variabel berjalan — dengan metode ML yang fleksibel dan adaptif data untuk pemilihan pita lebar (bandwidth), estimasi rata-rata bersyarat, dan penyesuaian kovariat. Tujuannya adalah untuk memulihkan estimasi efek perlakuan rata-rata lokal pada ambang batas yang lebih akurat dan kurang bergantung pada asumsi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/id/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Desain Regresi Patah Discontinu FuzzyInferensi Kausal↔ bandingkan
- Perbedaan-dalam-Perbedaan (DiD) yang Diperkaya Pembelajaran Mesin (ML-DiD)Inferensi Kausal↔ bandingkan
- Pencocokan Skor PropensitasStatistika Penelitian↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →