Maskinlærings-augmentert regresjonsdiskontinuitetsdesign
Maskinlærings-augmentert regresjonsdiskontinuitetsdesign (ML-RDD) kombinerer den skarpe identifikasjonslogikken til klassisk RDD — som utnytter en kjent tildelingsgrense i en løpende variabel — med fleksible, datatilpasningsdyktige ML-metoder for båndbreddevalg, estimering av betinget gjennomsnitt og kovariatjustering. Målet er å gjenvinne et mer nøyaktig og mindre antagelsesavhengig estimat av den lokale gjennomsnittlige behandlingseffekten ved terskelen.
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
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/no/causal-inference/machine-learning-augmented-regression-discontinuity-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.
- Fuzzy Regression Discontinuity DesignKausal inferens↔ compare
- Maskinlæringsforsterket differanse-i-differanser (ML-DiD)Kausal inferens↔ compare
- Propensity Score MatchingForskningsstatistikk↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →