Regression modelQuasi-experimental / causal inference
機械学習拡張操作変数法 (ML-IV)
機械学習拡張操作変数法は、古典的な操作変数法 (IV) の持つ因果同定力と、現代の高次元機械学習（LASSO、ランダムフォレスト、ニューラルネットワークなどの手法を用いて、有効な操作変数を選択し、かく乱関数をモデル化する）を組み合わせることで、一次段階の適合度を向上させ、潜在的な操作変数や制御変数の数がサンプルサイズに比べて多い場合でも有効な推論を可能にします。
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。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
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 ↗
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/ja/causal-inference/machine-learning-augmented-instrumental-variables
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- Two-Stage Least Squares (2SLS / IV) Regression計量経済学↔ 比較
- 因果推論のための操作変数（IV）法医療経済学↔ 比較
- Lasso回帰機械学習↔ 比較
- 傾向スコアマッチング研究統計↔ 比較