Analisis Sensitivitas yang Diperkuat Pembelajaran Mesin untuk Kausalitas
Analisis sensitivitas yang diperkuat pembelajaran mesin (ML) menggabungkan estimator ML yang fleksibel dengan pemeriksaan kekokohan formal untuk menilai seberapa besar pengganggu yang tidak terukur yang diperlukan untuk membalikkan temuan kausal. Berakar pada kerangka kerja ML ganda/debiased Chernozhukov et al. dan alat sensitivitas bias variabel yang dihilangkan oleh Cinelli dan Hazlett, metode ini memberikan penyesuaian kovariat berdimensi tinggi dan komunikasi ketidakpastian yang tersisa tentang pengganggu yang tidak teramati secara transparan.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/id/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- Metode Variabel Instrumental (IV) untuk Inferensi KausalEkonomi Kesehatan↔ compare
- Pencocokan Skor PropensitasStatistika Penelitian↔ compare
- Desain Diskontinuitas Regresi (RDD)Inferensi Kausal↔ compare
- Metode Kontrol Sintetis (SCM)Inferensi Kausal↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →