Machine Learning-Augmented Instrumental Variables (ML-IV)
Machine learning-augmented instrumental variables combineert de causale identificatiekracht van klassieke IV met moderne high-dimensionale machine learning — gebruikmakend van methoden zoals LASSO, random forests of neurale netwerken om valide instrumenten te selecteren en nuisance-functies te modelleren, waardoor de fit van de eerste fase wordt verbeterd en geldige inferentie mogelijk wordt, zelfs wanneer het aantal potentiële instrumenten of controlevariabelen groot is ten opzichte van de steekproefgrootte.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/nl/causal-inference/machine-learning-augmented-instrumental-variables
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Regressie met Twee-Staps Kleinste Kwadraten (2SLS / IV)Econometrie↔ vergelijken
- Instrumentele Variabelen (IV) Methode voor Causale InferentieGezondheidseconomie↔ vergelijken
- Lasso-regressieMachine learning↔ vergelijken
- Propensity Score MatchingOnderzoeksstatistiek↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →