Methodenbewijsdossier

Double Machine Learning

Double/Debiased Machine Learning (DML), introduced by Chernozhukov et al. (2018), is a semiparametric framework for estimating causal or structural parameters in the presence of high-dimensional controls. It uses flexible machine learning methods to model nuisance functions—the conditional expectations of the outcome and the treatment given covariates—and then constructs a debiased estimator of the target parameter that achieves root-n consistency and valid inference despite the regularization bias inherent in high-dimensional settings.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Double/Debiased Machine Learning (DML)

Taxonomisch methodendossier · ml-model / causal-inference

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

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Used in the same domainDoubly Robust Estimationmachine-suggested · Relational suggestion, not evidence.Used in the same domainHeterogeneous Treatment Effectsmachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.