Regression modelQuasi-experimental / causal inference
기계 학습 증강 위약 검정
기계 학습 증강 위약 검정은 인과 추론 검증 기법으로, 인과 숲, LASSO, 또는 이중/편향 수정 기계 학습과 같은 유연한 기계 학습 추정기를 사용하여 식별 전략에 대한 반증 검사를 수행합니다. 실제 처리 할당을 위약(가짜) 할당으로 대체하고 추정된 효과가 0으로 수렴하는지 확인함으로써, 연구자들은 자신의 인과적 발견이 모델 오지정 또는 교란 변수의 인공물이 아님을 확인합니다.
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 Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-placebo-test
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
나란히 비교하기 →