Uczenie maszynowe wspomagające ewaluację wpływu kontrfaktycznego
Uczenie maszynowe wspomagające ewaluację wpływu kontrfaktycznego łączy wiarygodność wnioskowania przyczynowego opartego na potencjalnych wynikach z elastycznością nowoczesnych algorytmów uczenia maszynowego (ML). Zamiast narzucać parametryczne formy funkcjonalne dla czynników zakłócających, algorytmy ML – takie jak lasso, lasy losowe czy sieci neuronowe – estymują funkcje zakłócające (wyniki skłonności, regresje wyników), które następnie są wykorzystywane do konstruowania przybliżonych, nieobciążonych estymatorów efektów przyczynowych. Kanoniczną realizacją jest podwójnie obciążone uczenie maszynowe (DML), sformalizowane przez Chernozhukova i wsp. (2018).
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Analiza wpływu przyczynowegoWnioskowanie przyczynowe↔ porównaj
- Ewaluacja wpływu metodą kontrfaktyczną (CIE)Wnioskowanie przyczynowe↔ porównaj
- Metoda różnic w różnicach (Diff-in-Diff)Ekonometria↔ porównaj
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ porównaj
- Metoda syntetycznej kontroli (SCM)Wnioskowanie przyczynowe↔ porównaj
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →