Regression modelQuasi-experimental / causal inference
머신러닝 증강 회귀 불연속 설계
머신러닝 증강 회귀 불연속 설계(ML-RDD)는 고전적 RDD의 날카로운 식별 논리, 즉 변수 값의 알려진 할당 절단점을 이용하는 방식과, 대역폭 선택, 조건부 평균 추정, 공변량 조정을 위한 유연하고 데이터 적응적인 ML 방법론을 결합한다. 목표는 임계값에서의 국소 평균 처리 효과(local average treatment effect)를 더 정확하고 가정에 덜 의존적인 추정치로 복구하는 것이다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-regression-discontinuity-design
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 퍼지 회귀 불연속 설계인과추론↔ 비교
- Machine Learning-Augmented Difference-in-Differences (ML-DiD)인과추론↔ 비교
- 성향 점수 매칭연구 통계↔ 비교