Metodes pierādījumu reģistrs

Machine learning-augmented regression discontinuity design

Machine learning-augmented regression discontinuity design (ML-RDD) combines the sharp identification logic of classical RDD — exploiting a known assignment cutoff in a running variable — with flexible, data-adaptive ML methods for bandwidth selection, conditional mean estimation, and covariate adjustment. The goal is to recover a more accurate and less assumption-laden estimate of the local average treatment effect at the threshold.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

Machine Learning-Augmented Regression Discontinuity Design

Taksonomiskās metodes reģistrs · regression-model / causal-inference

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Taxonomic bucketFuzzy Regression Discontinuitymachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented difference-in-differencesmachine-suggested · Relational suggestion, not evidence.See alsoPropensity Score Matchingmachine-suggested · Relational suggestion, not evidence.