Machine Learning-AugAugmented Regression Discontinuity Design
Machine learning-augmented regression discontinuity design (ML-RDD) combineert de scherpe identificatielogica van klassieke RDD — waarbij gebruik wordt gemaakt van een bekende toewijzingsafsnijding in een lopende variabele — met flexibele, data-adaptieve ML-methoden voor bandbreedteselectie, schatting van de conditionele gemiddelde en covariaten-aanpassing. Het doel is om een nauwkeurigere en minder aanname-afhankelijke schatting te verkrijgen van het lokale gemiddelde behandelingseffect bij de drempelwaarde.
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
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/nl/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Fuzzy Regression Discontinuity DesignCausale inferentie↔ vergelijken
- Machine Learning-Augmented Difference-in-Differences (ML-DiD)Causale inferentie↔ vergelijken
- Propensity Score MatchingOnderzoeksstatistiek↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →