Mašīnmācīšanās palīdzības divkārši robusta novērtēšana (ML-DR)
Mašīnmācīšanās palīdzības divkārši robusta (ML-DR) novērtēšana apvieno klasisko divkārši robusto (AIPW) identifikācijas stratēģiju ar elastīgiem mašīnmācīšanās modeļiem neitrālām funkcijām — tendences rādītāju un iznākuma regresiju. Rezultāts ir kauzāls novērtētājs, kas ir konsekvents, ja kāda no ML komponentēm ir pareizi specifikēta, un kas nodrošina derīgu, saknes-n secinājumu pat tad, ja neitrālie modeļi ir novērtēti ar augstas dimensijas regulārizāciju vai neparametriskiem apguvējiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-doubly-robust-estimation
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.
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ compare
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ compare
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ compare
- Mašīnmācīšanās papildinātā tendenču rezultātu saskaņošanaCēloņsakarību secināšana↔ compare
- Marginal Structural Model (MSM)Cēloņsakarību secināšana↔ compare
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →