Maskinlæringsforsterket hendelsesstudiedesign
Maskinlæringsforsterket hendelsesstudiedesign kombinerer det standard rammeverket for hendelsesstudier – som sporer utfallsdynamikk rundt en behandlingsdato – med ML-baserte metoder som dobbelt/debiased maskinlæring (DML) eller regularisert regresjon for å håndtere høy-dimensjonale kovariater, forbedre kontroll av forstyrrende variabler, og produsere gyldige kausale estimater når kovariatrommet er for stort til at konvensjonell regresjon kan håndtere det pålitelig.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/no/causal-inference/machine-learning-augmented-event-study-design
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.
- Differanse-i-differanser (DiD)Økonometri↔ compare
- Dynamisk differanse-i-differanserKausal inferens↔ compare
- Panel Event StudyKausal inferens↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →