Estymator dopasowania rozszerzony o uczenie maszynowe
Estymator dopasowania rozszerzony o uczenie maszynowe łączy klasyczne dopasowanie najbliższego sąsiada lub dopasowanie na podstawie skłonności z algorytmami ML — takimi jak lasso, lasy losowe lub wzmacnianie gradientowe — w celu wyboru zmiennych towarzyszących, oszacowania skłonności i skorygowania resztkowego błędu systematycznego. Rezultatem jest przyczynowy estymator oparty na dopasowaniu, który pozostaje trafny w warunkach wysokowymiarowego zakłócenia, gdzie tradycyjne, ręcznie specyfikowane dopasowanie zawodzi.
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-matching-estimator
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Estymacja podwójnie odporna (AIPW)Wnioskowanie przyczynowe↔ porównaj
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ porównaj
- Estymacja podwójnie odporna wspomagana uczeniem maszynowym (ML-DR)Wnioskowanie przyczynowe↔ porównaj
- Estymator dopasowującyWnioskowanie przyczynowe↔ porównaj
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ porównaj
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →