Instrumentalne zmienne wspomagane uczeniem maszynowym (ML-IV)
Instrumentalne zmienne wspomagane uczeniem maszynowym łączą moc identyfikacji przyczynowej klasycznych zmiennych instrumentalnych z nowoczesnym uczeniem maszynowym w wysokowymiarowych danych — wykorzystując metody takie jak LASSO, lasy losowe lub sieci neuronowe do wyboru prawidłowych instrumentów i modelowania funkcji zakłócających, tym samym poprawiając dopasowanie pierwszego etapu i umożliwiając prawidłowe wnioskowanie, nawet gdy liczba potencjalnych instrumentów lub zmiennych kontrolnych jest duża w stosunku do wielkości próby.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-instrumental-variables
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.
- Regresja metodą dwuetapową najmniejszych kwadratów (2SLS / IV)Ekonometria↔ compare
- Metoda zmiennych instrumentalnych (IV) do wnioskowania przyczynowegoEkonomika zdrowia↔ compare
- Regresja LassoUczenie maszynowe↔ compare
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →