Methodenbewijsdossier

Machine Learning-Augmented Sensitivity Analysis for Causality

Machine learning-augmented sensitivity analysis combines flexible ML estimators with formal robustness checks to assess how much unmeasured confounding would be required to overturn a causal finding. Rooted in Chernozhukov et al.'s double/debiased ML framework and Cinelli and Hazlett's omitted-variable-bias sensitivity tools, it delivers both high-dimensional covariate adjustment and transparent communication of remaining uncertainty about unobserved confounders.

Sources recorded, not reviewed

Bronrecord

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

Machine Learning-Augmented Sensitivity Analysis for Causal Inference

Taxonomisch methodendossier · regression-model / causal-inference

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.

Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.See alsoInstrumental Variables in Health Researchmachine-suggested · Relational suggestion, not evidence.See alsoPropensity Score Matchingmachine-suggested · Relational suggestion, not evidence.Same method familyRegression Discontinuitymachine-suggested · Relational suggestion, not evidence.Same method familySynthetic Controlmachine-suggested · Relational suggestion, not evidence.