ScholarGate
Assistent
Regression modelQuasi-experimental / causal inference

Maskinlæringsforsterket differanse-i-differanser (ML-DiD)

ML-DiD kombinerer den klassiske differanse-i-differanser identifikasjonsstrategien med fleksible ML-estimatorer for 'nuisance functions' – propensity score og utfallsprogresjon – for å oppnå gyldige kausale estimater selv når behandlingsvalg og utfallsdynamikk er komplekse, høy-dimensjonale eller ikke-lineære. Tilnærmingen, som er forankret i dobbel/av-skjemmet maskinlæring (Chernozhukov et al., 2018) og dobbelt-robust DiD (Sant'Anna & Zhao, 2020), beskytter mot feilspesifikasjonsbias samtidig som den bevarer kjernelogikken i DiD for før-etter, behandlet-versus-kontroll-sammenligninger.

Åpne i MethodMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. 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
  2. Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001

Slik siterer du denne siden

ScholarGate. (2026, June 3). Machine Learning-Augmented Difference-in-Differences Estimator. ScholarGate. https://scholargate.app/no/causal-inference/machine-learning-augmented-difference-in-differences

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.

Compare side by side

Referert av

ScholarGateMachine learning-augmented difference-in-differences (Machine Learning-Augmented Difference-in-Differences Estimator). Hentet 2026-06-15 fra https://scholargate.app/no/causal-inference/machine-learning-augmented-difference-in-differences · Datasett: https://doi.org/10.5281/zenodo.20539026