Regression modelQuasi-experimental / causal inference

Estymacja podwójnie odporna wspomagana uczeniem maszynowym (ML-DR)

Estymacja podwójnie odporna wspomagana uczeniem maszynowym (ML-DR) łączy klasyczną strategię identyfikacji podwójnie odpornej (AIPW) z elastycznymi modelami uczenia maszynowego dla funkcji zakłócających — ilorazu skłonności i regresji wyniku. Rezultatem jest estymator przyczynowy, który jest zgodny, jeśli którykolwiek komponent uczenia maszynowego jest poprawnie określony, i który zapewnia prawidłową inferencję z szybkością $\sqrt{n}$, nawet gdy modele zakłócające są estymowane za pomocą regularyzacji wysokowymiarowej lub uczących się modeli nieparametrycznych.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

Źródła

  1. 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
  2. Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901

Jak cytować tę stronę

ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-doubly-robust-estimation

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.

Compare side by side

Cytowana przez

ScholarGateMachine learning-augmented doubly robust estimation (Machine Learning-Augmented Doubly Robust Estimation). Pobrano 2026-06-15 z https://scholargate.app/pl/causal-inference/machine-learning-augmented-doubly-robust-estimation · Zbiór danych: https://doi.org/10.5281/zenodo.20539026