Mašīnmācīšanās papildinātais saskaņošanas novērtētājs
Mašīnmācīšanās papildinātais saskaņošanas novērtētājs apvieno klasisko tuvākā kaimiņa vai tieksmes rādītāja saskaņošanu ar ML algoritmiem — piemēram, lasso, nejaušiem mežiem vai gradientu pastiprināšanu — lai atlasītu kovariātus, novērtētu tieksmes rādītājus un koriģētu atlikušo neobjektivitāti. Rezultāts ir uz saskaņošanu balstīts cēloņsakarību novērtētājs, kas paliek derīgs augstas dimensijas jaukšanās gadījumā, kur tradicionālā ar roku norādītā saskaņošana neizdodas.
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-matching-estimator
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ salīdzināt
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ salīdzināt
- Mašīnmācīšanās palīdzības divkārši robusta novērtēšana (ML-DR)Cēloņsakarību secināšana↔ salīdzināt
- Novērtēšanas vienādošana (Matching Estimator)Cēloņsakarību secināšana↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →