Maskinlærings-augmentert sensitivitetsanalyse for kausalitet
Maskinlærings-augmentert sensitivitetsanalyse kombinerer fleksible ML-estimatorer med formelle robusthetssjekker for å vurdere hvor mye uregistrert konfundering som ville kreves for å omgjøre et kausalt funn. Forankret i Chernozhukov et al.'s dobbel/debiased ML-rammeverk og Cinelli og Hazletts verktøy for sensitivitet for utelatte variabler, leverer den både høydimensjonal kovariatjustering og transparent kommunikasjon av gjenværende usikkerhet om uobserverte konfundere.
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/no/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- Instrumentelle variabler (IV) metode for kausal inferensHelseøkonomi↔ compare
- Propensity Score MatchingForskningsstatistikk↔ compare
- Regresjonsdiskontinuitetsdesign (RDD)Kausal inferens↔ compare
- Syntetisk kontrollmetode (SCM)Kausal inferens↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →