Analisis Kepekaan Dipertingkat Pembelajaran Mesin untuk Kausalitas
Analisis kepekaan dipertingkat pembelajaran mesin menggabungkan penganggar ML yang fleksibel dengan semakan kekukuhan formal untuk menilai sejauh mana pengacau yang tidak terukur diperlukan untuk membatalkan penemuan kausal. Berakar umbi dalam kerangka ML berganda/tidak berat sebelah Chernozhukov et al. dan alat kepekaan bias pemboleh ubah terabai Cinelli dan Hazlett, ia memberikan pelarasan kovariat berdimensi tinggi dan komunikasi telus tentang ketidakpastian yang tinggal mengenai pengacau yang tidak diperhatikan.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/ms/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.
- Perbezaan-dalam-Perbezaan (Diff-in-Diff)Ekonometrik↔ compare
- Kaedah Pemboleh Ubah Instrumental (IV) untuk Inferensi KausalEkonomi Kesihatan↔ compare
- Padanan Skor KecenderunganStatistik Penyelidikan↔ compare
- Reka Bentuk Pecahan Regresi (RDD)Inferens Kausal↔ compare
- Kaedah Kawalan Sintetik (SCM)Inferens Kausal↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →