Regression modelQuasi-experimental / causal inference
인과관계에 대한 머신러닝 증강 민감도 분석
머신러닝 증강 민감도 분석은 유연한 ML 추정량과 형식적인 강건성 검사를 결합하여 인과관계 발견을 뒤집기 위해 어느 정도의 측정되지 않은 교란이 필요한지를 평가합니다. Chernozhukov 등의 이중/편향 완화 ML 프레임워크와 Cinelli 및 Hazlett의 누락 변수 편향 민감도 도구에 뿌리를 두고 있으며, 고차원 공변량 조정과 관찰되지 않은 교란 변수에 대한 잔여 불확실성의 투명한 소통을 모두 제공합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- 인과 추론을 위한 도구 변수(IV) 방법보건경제학↔ compare
- 성향 점수 매칭연구 통계↔ compare
- 회귀 불연속 설계(Regression Discontinuity Design, RDD)인과추론↔ compare
- 합성 통제 방법 (SCM)인과추론↔ compare