ScholarGate
Assistent
Regression modelQuasi-experimental / causal inference

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.

Åpne i MethodMindSnartVideoSnartLast ned lysbilder

Les hele metoden

Kun for medlemmer

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

Logg inn

Metodekart

Nabolaget av beslektede metoder — velg en node for å utforske.

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. 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.

Sammenlign side om side

Referert av

ScholarGateMachine learning-augmented doubly robust estimation (Machine Learning-Augmented Doubly Robust Estimation). Hentet 2026-06-15 fra https://scholargate.app/no/causal-inference/machine-learning-augmented-doubly-robust-estimation · Datasett: https://doi.org/10.5281/zenodo.20539026