Penilaian Impak Kaunterfaktual Diperkaya Pembelajaran Mesin
Penilaian impak kaunterfaktual diperkaya pembelajaran mesin (ML) menggabungkan kredibiliti inferens sebab-akibat hasil-potensial dengan fleksibiliti algoritma ML moden. Berbanding mengenakan bentuk fungsian parametrik untuk perosak, pelajar ML — seperti lasso, hutan rawak, atau rangkaian saraf — menganggarkan fungsi gangguan (skor kecenderungan, regresi hasil) yang kemudiannya digunakan untuk membina anggaran kesan sebab-akibat yang hampir tidak berat sebelah. Penjelmaan kanonik ialah Pembelajaran Mesin Dwi/Nyahbias (DML), yang diformalkan oleh Chernozhukov et al. (2018).
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/ms/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Analisis Impak KausalInferens Kausal↔ banding
- Penilaian Impak Kaunterfaktual (CIE)Inferens Kausal↔ banding
- Perbezaan-dalam-Perbezaan (Diff-in-Diff)Ekonometrik↔ banding
- Padanan Skor KecenderunganStatistik Penyelidikan↔ banding
- Kaedah Kawalan Sintetik (SCM)Inferens Kausal↔ banding
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →