Uczenie maszynowe wspomagające projekt regresji nieciągłości
Uczenie maszynowe wspomagające projekt regresji nieciągłości (ML-RDD) łączy logikę ostrej identyfikacji klasycznego RDD — wykorzystującą znaną granicę przypisania w zmiennej bieżącej — z elastycznymi, adaptacyjnymi do danych metodami uczenia maszynowego (ML) do wyboru szerokości pasma, estymacji warunkowej średniej i dostosowania zmiennych towarzyszących. Celem jest uzyskanie dokładniejszej i mniej obciążonej założeniami estymacji lokalnego średniego efektu traktowania na progu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-regression-discontinuity-design
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Fuzzy Regression DiscontinuityWnioskowanie przyczynowe↔ porównaj
- Uczenie maszynowe wspomagające metodę różnicy w różnicach (ML-DiD)Wnioskowanie przyczynowe↔ porównaj
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →