Mašīnmācīšanās papildināts notikumu pētījumu dizains
Mašīnmācīšanās papildināts notikumu pētījumu dizains apvieno standarta notikumu pētījumu sistēmu — kas izseko rezultātu dinamiku ap ārstēšanas datumu — ar ML balstītām metodēm, piemēram, dubulto/debišu mašīnmācīšanos (DML) vai regulētu regresiju, lai apstrādātu augstdimensionālus kovariātus, uzlabotu konfunderu kontroli un iegūtu derīgus cēloņsakarību novērtējumus, ja kovariātu telpa ir pārāk liela, lai tradicionālā regresija spētu to uzticami pārvaldīt.
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-event-study-design
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
- Dinamiskā "starpību starpībās" metodeCēloņsakarību secināšana↔ compare
- Paneļa notikumu pētījumsCēloņsakarību secināšana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →