Regression modelQuasi-experimental / causal inference
機械学習拡張回帰不連続デザイン
機械学習拡張回帰不連続デザイン（ML-RDD）は、古典的RDDのシャープな識別ロジック（実行変数における既知の割り当てカットオフを利用する）と、帯域幅選択、条件付き平均推定、共変量調整のための柔軟でデータ適応的な機械学習手法を組み合わせたものである。その目的は、閾値における局所平均処置効果の、より正確で仮定の少ない推定値を得ることである。
MethodMindで開く近日公開Apply, compare, get guidance
Tools & resources
Learn & explore
動画近日公開
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
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/ja/causal-inference/machine-learning-augmented-regression-discontinuity-design
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。
並べて比較する →