Ulepszony projekt badania zdarzeń z wykorzystaniem uczenia maszynowego
Ulepszony projekt badania zdarzeń z wykorzystaniem uczenia maszynowego łączy standardowe ramy badania zdarzeń — które śledzą dynamikę wyników wokół daty interwencji — z metodami opartymi na uczeniu maszynowym, takimi jak podwójne/zdebiadowane uczenie maszynowe (DML) lub regresja regularyzowana, w celu obsługi zmiennych objaśniających o wysokiej wymiarowości, poprawy kontroli czynników zakłócających i uzyskania ważnych oszacowań przyczynowych, gdy przestrzeń zmiennych objaśniających jest zbyt duża, aby konwencjonalna regresja mogła sobie z nią poradzić w sposób niezawodny.
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-event-study-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.
- Metoda różnic w różnicach (Diff-in-Diff)Ekonometria↔ compare
- Dynamic Difference-in-DifferencesWnioskowanie przyczynowe↔ compare
- Badanie zdarzeń panelowychWnioskowanie przyczynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →