Regression modelQuasi-experimental / causal inference
기계 학습 증강 반사실적 영향 평가
기계 학습 증강 반사실적 영향 평가는 잠재 결과 인과 추론의 신뢰성과 최신 기계 학습 알고리즘의 유연성을 결합합니다. 교란 변수에 대한 모수적 함수 형태를 강요하는 대신, 라쏘(lasso), 랜덤 포레스트(random forests), 신경망(neural nets)과 같은 기계 학습 학습기는 주변 함수(성향 점수, 결과 회귀)를 추정하며, 이는 인과 효과의 편향되지 않은 추정치를 구성하는 데 사용됩니다. 표준적인 구현은 Chernozhukov 외 (2018)에 의해 형식화된 이중/편향 제거 기계 학습(Double/Debiased Machine Learning, DML)입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 인과 충격 분석인과추론↔ 비교
- 반사실적 영향 평가 (CIE)인과추론↔ 비교
- 이중차분법 (Diff-in-Diff)계량경제학↔ 비교
- 성향 점수 매칭연구 통계↔ 비교
- 합성 통제 방법 (SCM)인과추론↔ 비교