Mašīnmācīšanās pastiprināts regresijas diskontinuitātes dizains
Mašīnmācīšanās pastiprināts regresijas diskontinuitātes dizains (ML-RDD) apvieno klasiskā RDD stingrās identifikācijas loģiku — izmantojot zināmu piešķiršanas slieksni mainīgajā — ar elastīgām, datu adaptīvām ML metodēm joslas platuma izvēlei, nosacītā vidējā novērtēšanai un kovariātu korekcijai. Mērķis ir iegūt precīzāku un mazāk pieņēmumu prasīgu vietējā vidējā ārstēšanas efekta novērtējumu pie sliekšņa.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-regression-discontinuity-design
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Fuzzy Regression Discontinuity DesignCēloņsakarību secināšana↔ salīdzināt
- Mašīnmācības papildinātā atšķiršanās divos veidos (ML-DiD)Cēloņsakarību secināšana↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →