ScholarGate
Pembantu
Regression modelQuasi-experimental / causal inference

Kajian Peristiwa Panel yang Diperkaya Pembelajaran Mesin

Kajian peristiwa panel yang diperkaya pembelajaran mesin (ML) melampaui kajian peristiwa panel klasik dengan menggantikan atau menambah model balas-fakta parametrik dengan estimator pembelajaran mesin — seperti LASSO, hutan rawak, atau penyempurnaan matriks — untuk membina garis dasar pra-peristiwa yang lebih tepat, mengesan pelanggaran arah aliran selari, dan menghasilkan anggaran kesan sebab-akibat yang sah merentasi pelbagai tempoh pasca-peristiwa.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Kajian Peristiwa Panel yang Diperkaya Pembelajaran Mesin
Perbezaan-dalam-Perbezaa…Model Kesan Tetap Data P…Kaedah Kawalan Sintetik…

Sumber

  1. Chernozhukov, V., Wuthrich, K., & Zhu, Y. (2021). An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls. Journal of the American Statistical Association, 116(536), 1849-1864. DOI: 10.1080/01621459.2021.1920957
  2. Freyaldenhoven, S., Hansen, C., & Shapiro, J. M. (2019). Pre-event Trends in the Panel Event-Study Design. American Economic Review, 109(9), 3307-3338. DOI: 10.1257/aer.20180609

Cara memetik halaman ini

ScholarGate. (2026, June 3). Machine Learning-Augmented Panel Event Study Estimator. ScholarGate. https://scholargate.app/ms/causal-inference/machine-learning-augmented-panel-event-study

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.

Compare side by side
ScholarGateMachine Learning-Augmented Panel Event Study (Machine Learning-Augmented Panel Event Study Estimator). Dicapai 2026-06-15 daripada https://scholargate.app/ms/causal-inference/machine-learning-augmented-panel-event-study · Set data: https://doi.org/10.5281/zenodo.20539026