Pemboleh Ubah Bersandar yang Dipertingkat Pembelajaran Mesin (ML-IV)
Pemboleh ubah bersandar yang dipertingkat pembelajaran mesin menggabungkan kuasa pengenalpastian sebab akibat IV klasik dengan pembelajaran mesin berdimensi tinggi moden — menggunakan kaedah seperti LASSO, hutan rawak, atau rangkaian saraf untuk memilih pemboleh ubah bersandar yang sah dan memodelkan fungsi gangguan, seterusnya meningkatkan kesesuaian peringkat pertama dan membolehkan inferens yang sah walaupun apabila bilangan pemboleh ubah bersandar atau pengawal yang berpotensi adalah besar berbanding saiz sampel.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/ms/causal-inference/machine-learning-augmented-instrumental-variables
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.
- Regresi Kuasa Dua Terkecil Dua Peringkat (2SLS / IV)Ekonometrik↔ compare
- Kaedah Pemboleh Ubah Instrumental (IV) untuk Inferensi KausalEkonomi Kesihatan↔ compare
- Lasso RegressionPembelajaran Mesin↔ compare
- Padanan Skor KecenderunganStatistik Penyelidikan↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →