Catatan bukti metode

Double Machine Learning

Double/Debiased Machine Learning (DML), introduced by Chernozhukov et al. (2018), is a semiparametric framework for estimating causal or structural parameters in the presence of high-dimensional controls. It uses flexible machine learning methods to model nuisance functions—the conditional expectations of the outcome and the treatment given covariates—and then constructs a debiased estimator of the target parameter that achieves root-n consistency and valid inference despite the regularization bias inherent in high-dimensional settings.

Sources recorded, not reviewed

Catatan sumber

Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.

Double/Debiased Machine Learning (DML)

Catatan metode taksonomi · ml-model / causal-inference

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

Buka metode lengkap

Klaim yang dikurasi

Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.

Belum ada klaim yang dikurasi

Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.

Metode terkait

Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.

Used in the same domainDoubly Robust Estimationmachine-suggested · Relational suggestion, not evidence.Used in the same domainHeterogeneous Treatment Effectsmachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.