Record di evidenza del metodo

Machine Learning-Augmented Counterfactual Impact Evaluation

Machine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather than imposing parametric functional forms for confounders, ML learners — such as lasso, random forests, or neural nets — estimate nuisance functions (propensity scores, outcome regressions) that are then used to construct approximately unbiased estimates of causal effects. The canonical instantiation is Double/Debiased Machine Learning (DML), formalized by Chernozhukov et al. (2018).

Sources recorded, not reviewed

Record di origine

Citazioni copiate testualmente dal record di origine del metodo. Non si inferisce alcuna verifica a livello di affermazione da esse.

Record tassonomico del metodo · regression-model / causal-inference

Apri metodo completo

Affermazioni curate

Affermazioni persistite nel registro delle evidenze, ciascuna con la propria valutazione.

Nessuna affermazione curata ancora

Questa vista non inventa una valutazione dell'affermazione quando il registro non ne ha.

Metodi correlati

Generato dal grafo dei metodi e mostrato come relazioni suggerite dalla macchina — nessuna affermazione di evidenza viene inferita.

Taxonomic bucketCausal Impact Analysismachine-suggested · Relational suggestion, not evidence.Taxonomic bucketCounterfactual Impact Evaluationmachine-suggested · Relational suggestion, not evidence.Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.See alsoPropensity Score Matchingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSynthetic Control Methodmachine-suggested · Relational suggestion, not evidence.