Podwójne uczenie maszynowe
Podwójne/zdebiadowane uczenie maszynowe (DML), wprowadzone przez Chernozhukova i wsp. (2018), to semiparametryczne ramy szacowania parametrów przyczynowych lub strukturalnych w obecności wysokowymiarowych zmiennych kontrolnych. Wykorzystuje elastyczne metody uczenia maszynowego do modelowania funkcji uciążliwych (nuisance functions)—oczekiwań warunkowych wyniku i traktowania w zależności od zmiennych kowariancji—a następnie konstruuje zdebiadowany estymator parametru docelowego, który osiąga spójność pierwiastkową z n (root-n consistency) i prawidłowe wnioskowanie pomimo błędu regularyzacji nieodłącznie związanego z ustawieniami wysokowymiarowymi.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/pl/causal-inference/double-machine-learning
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.
- Estymacja podwójnie odporna (AIPW)Wnioskowanie przyczynowe↔ compare
- Heterogeniczne efekty przyczynowe (CATE / Meta-uczniowie)Wnioskowanie przyczynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →