Beijesiskā regresijas pārtraukuma dizains
Beijesiskā regresijas pārtraukuma dizains (Bayesian RDD) iekļauj klasisko RD ietvaru — kas novērtē lokālo cēloņsakarību efektu zināmā piešķiršanas sliekšņa vērtībā — Beijesa inferenču dzinējā. Prioritātes sadalījumi tiek piešķirti regresijas funkcijām abās sliekšņa pusēs un ārstēšanas efekta parametram, iegūstot pilnu posterioro sadalījumu pār cēloņsakarību novērtējamo lielumu, nevis vienu punktu aplēsi ar biežuma p-vērtību.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Karabatsos, G., & Walker, S. G. (2004). Coherent inference in regression discontinuity designs with a Bayesian nonparametric approach. Journal of the American Statistical Association, 99(468), 1121-1131. link ↗
- Chib, S., & Jacobi, L. (2016). Bayesian fuzzy regression discontinuity analysis and returns to compulsory schooling. Journal of Applied Econometrics, 31(6), 1026-1047. DOI: 10.1002/jae.2481 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Regression Discontinuity Design. ScholarGate. https://scholargate.app/lv/causal-inference/bayesian-regression-discontinuity-design
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Beijesa atšķirību atšķirību metodeCēloņsakarību secināšana↔ salīdzināt
- Fuzzy Regression Discontinuity DesignCēloņsakarību secināšana↔ salīdzināt
- Instrumentālo mainīgo (IV) metode cēloņsakarību noteikšanaiVeselības ekonomika↔ salīdzināt
- Lokālais vidējais ārstēšanas efekts (LATE / CACE)Cēloņsakarību secināšana↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →