Disegno a Regressione Discontinua Fuzzy Potenziato dal Machine Learning
Il disegno a regressione discontinua (RDD) fuzzy potenziato dal ML estende il classico disegno RDD fuzzy sostituendo le approssimazioni polinomiali parametriche con stimatori flessibili di machine learning. Laddove il classico RDD fuzzy utilizza la stima in stile IV (variabili strumentali) a una soglia con conformità imperfetta, la variante potenziata dal ML sfrutta apprenditori non parametrici — come foreste casuali o reti neurali — per modellare sia l'esito sia la probabilità di trattamento del primo stadio vicino al cutoff, riducendo il bias da misspecificazione pur preservando l'identificazione causale.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/it/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Difference-in-Differences (Diff-in-Diff)Econometria↔ confronta
- Stima a Doppia Robustezza (AIPW)Inferenza causale↔ confronta
- Regression Discontinuity Design FuzzyInferenza causale↔ confronta
- Metodo delle Variabili Strumentali (IV) per l'Inferenza CausaleEconomia sanitaria↔ confronta
- Regressione Discontinua Aumentata con Machine LearningInferenza causale↔ confronta
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →