Mašīnmācības papildinātā jutīguma analīze kauzalitāti noteikšanai
Mašīnmācības papildinātā jutīguma analīze apvieno elastīgus ML novērtētājus ar formālām izturības pārbaudēm, lai novērtētu, cik daudz neizņemtas jaukšanās būtu nepieciešams, lai apgāztu kauzalitāti atklājumu. Pamatojoties uz Chernozhukov et al. dubultās/debiāsētās ML sistēmas un Cinelli un Hazlettās izlaisto mainīgo ņemību jutības rīkiem, tā nodrošina gan augstdimensiju korelāciju pielāgošanu, gan atliktās nenoteiktības par neīskatītiem jaucējiem caurspūdīgu komunikāciju.
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- Propensity Score MatchingPētniecības statistika↔ compare
- Dizains ar regresijas pārtraukumu (RDD)Cēloņsakarību secināšana↔ compare
- Metode sintētiskās kontroles (SCM)Cēloņsakarību secināšana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →