Regression modelQuasi-experimental / causal inference
機械学習を援用した感度分析による因果推論
機械学習を援用した感度分析は、柔軟な機械学習（ML）推定量と厳密なロバストネスチェックを組み合わせることで、未測定の交絡が因果的発見を覆すためにどの程度必要となるかを評価します。Chernozhukov et al.のdouble/debiased MLフレームワークとCinelli and Hazlettの省略変数バイアス感度ツールに根ざしており、高次元の共変量調整と、観測されない交絡因子に関する残存する不確実性の透明な伝達の両方を提供します。
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/ja/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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。
- 差分の差 (Difference-in-Differences, DiD)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
- 傾向スコアマッチング研究統計↔ 比較
- 回帰不連続デザイン（Regression Discontinuity Design, RDD）因果推論↔ 比較
- 合成対照法（SCM）因果推論↔ 比較