Mašīnmācīšanās pastiprināta pretfaktiskā ietekmes novērtēšana
Mašīnmācīšanās pastiprināta pretfaktiskā ietekmes novērtēšana apvieno potenciālo rezultātu cēloņu secinājumu ticamību ar moderno mašīnmācīšanās (ML) algoritmu elastību. Tā vietā, lai uzspiestu parametriskas funkcionālās formas jauktajiem faktoriem, ML apguvēji — piemēram, lasso, nejaušie meži vai neironu tīkli — novērtē traucējošās funkcijas (tendenciozitātes rādītājus, rezultātu regresijas), ko pēc tam izmanto, lai konstruētu aptuveni neobjektīvus cēloņu efektu novērtējumus. Kanoniskā realizācija ir dubultā/neobjektivitāti novēršošā mašīnmācīšanās (DML), ko formalizējuši Chernozhukov et al. (2018).
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Kausaālās ietekmes analīzeCēloņsakarību secināšana↔ salīdzināt
- Kontrafaktiskās ietekmes novērtēšana (CIE)Cēloņsakarību secināšana↔ salīdzināt
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
- Sintētiskās kontroles metode (SCM)Cēloņsakarību secināšana↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →