ScholarGate
Assistente
Regression modelQuasi-experimental / causal inference

Variabili Strumentali Aumentate con Machine Learning (ML-IV)

Le variabili strumentali aumentate con machine learning combinano il potere di identificazione causale delle IV classiche con il moderno machine learning ad alta dimensionalità — utilizzando metodi come LASSO, foreste casuali o reti neurali per selezionare strumenti validi e modellare funzioni di disturbo, migliorando così l'adattamento del primo stadio e consentendo inferenze valide anche quando il numero di strumenti potenziali o controlli è elevato rispetto alla dimensione del campione.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Method map

The neighbourhood of related methods — select a node to explore.

Fonti

  1. 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
  2. Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626

Come citare questa pagina

ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/it/causal-inference/machine-learning-augmented-instrumental-variables

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.

Compare side by side
ScholarGateMachine learning-augmented instrumental variables (Machine Learning-Augmented Instrumental Variables Estimation). Consultato il 2026-06-15 da https://scholargate.app/it/causal-inference/machine-learning-augmented-instrumental-variables · Insieme di dati: https://doi.org/10.5281/zenodo.20539026