Mašīnmācīšanās palīdzības instrumentālvielas (ML-IV)
Mašīnmācīšanās palīdzības instrumentālvielas apvieno klasisko instrumentālvielu (IV) cēloņu identificēšanas spēku ar mūsdienu augstdimensiju mašīnmācīšanos — izmantojot tādas metodes kā LASSO, nejaušie meži vai neironu tīkli, lai atlasītu derīgus instrumentus un modelētu traucējošās funkcijas, tādējādi uzlabojot pirmā posma piemērotību un nodrošinot derīgu secinājumu izdarīšanu pat tad, ja potenciālo instrumentu vai kontrolējošo mainīgo skaits ir liels attiecībā pret novērojumu skaitu.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-instrumental-variables
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Divpakāju mazāko kvadrātu (2SLS / IV) regresijaEkonometrija↔ salīdzināt
- Instrumentālo mainīgo (IV) metode cēloņsakarību noteikšanaiVeselības ekonomika↔ salīdzināt
- LASSO regresijaMašīnmācīšanās↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →