Regression modelQuasi-experimental / causal inference
機械学習拡張差分-イン-差分（ML-DiD）
機械学習拡張DiDは、古典的な差分-イン-差分識別戦略と、柔軟なML推定量を、偽関数（傾向スコアとアウトカム回帰）に対して組み合わせることで、治療選択とアウトカムのダイナミクスが複雑、高次元、または非線形である場合でも、妥当な因果推論を得ることができます。このアプローチは、二重/偏り除去機械学習（Chernozhukov et al., 2018）と二重頑健DiD（Sant'Anna & Zhao, 2020）に根ざしており、モデルの誤指定によるバイアスを防ぎつつ、前後比較、治療群対対照群比較というDiDの核となる論理を維持します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001 ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Augmented Difference-in-Differences Estimator. ScholarGate. https://scholargate.app/ja/causal-inference/machine-learning-augmented-difference-in-differences
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.
- 差分の差 (Difference-in-Differences, DiD)計量経済学↔ compare
- 二重に頑健な推定量（AIPW）因果推論↔ compare
- 動的差分の差分法因果推論↔ compare
- 異質的処置効果差の差 (HTE-DiD)因果推論↔ compare
- 傾向スコアマッチング研究統計↔ compare
- 合成コントロール法（SCM）因果推論↔ compare