Mašīnmācīšanās papildināts placebo tests
Mašīnmācīšanās papildināts placebo tests ir kauzālās inferences validācijas metode, kas izmanto elastīgus ML novērtētājus — piemēram, kauzālos mežus, LASSO vai dubulto/debiased ML — lai veiktu falsifikācijas pārbaudes identifikācijas stratēģijai. Aizstājot reālus ārstēšanas uzdevumus ar placebo (viltus) uzdevumiem un pārbaudot, vai aplēstais efekts samazinās līdz nullei, pētnieki apstiprina, ka viņu kauzālie atklājumi nav modeļa nepareizas specifikācijas vai jaucējfaktoru artefakti.
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. (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 Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-placebo-test
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
- Instrumentālo mainīgo (IV) metode cēloņsakarību noteikšanaiVeselības ekonomika↔ compare
- Sintētiskās kontroles metode (SCM)Cēloņsakarību secināšana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →