Maskinlærings-augmentert dobbelt robust estimering (ML-DR)
Maskinlærings-augmentert dobbelt robust (ML-DR) estimering kombinerer den klassiske dobbelt robuste (AIPW) identifikasjonsstrategien med fleksible maskinlæringsmodeller for uvesentlige funksjoner — propensity score og utfall-regresjon. Resultatet er en kausal estimator som er konsistent hvis enten ML-komponenten er korrekt spesifisert, og som oppnår gyldig, rot-n inferens selv når uvesentlige modeller estimeres med høydimensjonal regularisering eller ikke-parametriske læringsmodeller.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- 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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/no/causal-inference/machine-learning-augmented-doubly-robust-estimation
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Differanse-i-differanser (DiD)Økonometri↔ sammenlign
- Dobbel robust estimering (AIPW)Kausal inferens↔ sammenlign
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausal inferens↔ sammenlign
- Maskinlæringsforsterket propensity score-matchingKausal inferens↔ sammenlign
- Marginal Structural Model (MSM)Kausal inferens↔ sammenlign
- Propensity Score Weighting (PSW / IPW)Kausal inferens↔ sammenlign
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →