Regressione Discontinua Aumentata con Machine Learning
La regressione discontinua aumentata con machine learning (ML-RDD) combina la logica di identificazione netta della RDD classica — sfruttando un punto di stacco noto in una variabile di assegnazione — con metodi ML flessibili e adattivi ai dati per la selezione della larghezza di banda, la stima della media condizionata e l'aggiustamento delle covariate. L'obiettivo è recuperare una stima più accurata e meno carica di assunzioni dell'effetto medio locale del trattamento alla soglia.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/it/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Regression Discontinuity Design FuzzyInferenza causale↔ confronta
- Differenza-in-differenze aumentata con Machine Learning (ML-DiD)Inferenza causale↔ confronta
- Abbinamento del punteggio di propensioneStatistica per la ricerca↔ confronta
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →