Machine Learning-Augmented Difference-in-Differences (ML-DiD)
ML-DiD는 고전적인 이중 차분(difference-in-differences, DiD) 식별 전략과 유연한 기계 학습(ML) 추정기를 결합하여, 처치 선택 및 결과 동인이 복잡하거나, 고차원이거나, 비선형적인 경우에도 유효한 인과적 추정치를 얻습니다. 이 접근법은 이중/편향 완화 기계 학습(double/debiased machine learning, Chernozhukov et al., 2018)과 이중 강건성(doubly-robust) DiD(Sant'Anna & Zhao, 2020)에 뿌리를 두고 있으며, 핵심 DiD 논리인 사전-사후, 처치-통제군 비교를 유지하면서 모형 잘못 지정으로 인한 편향을 방지합니다.
방법 전문 읽기
무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Difference-in-Differences Estimator. ScholarGate. https://scholargate.app/ko/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.
- 이중차분법 (Diff-in-Diff)계량경제학↔ compare
- 이중 강건 추정 (AIPW)인과추론↔ compare
- 동적 이중차분법 (Dynamic Difference-in-Differences)인과추론↔ compare
- 이질적 처리 효과 이중차분 (HTE-DiD)인과추론↔ compare
- 성향 점수 매칭연구 통계↔ compare
- 합성 통제 방법 (SCM)인과추론↔ compare