ScholarGate
Assistente
Regression modelQuasi-experimental / causal inference

Estudo de Eventos em Painel Aumentado por Aprendizado de Máquina

O estudo de eventos em painel aumentado por aprendizado de máquina estende o estudo de eventos em painel clássico substituindo ou aumentando modelos contrafatuais paramétricos com estimadores de aprendizado de máquina — como LASSO, florestas aleatórias ou completamento de matriz — para construir linhas de base pré-evento mais precisas, detectar violações de tendências paralelas e produzir estimativas causais de efeito válidas em múltiplos períodos pós-evento.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

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

Estudo de Eventos em Painel Aumentado por Aprendizado de Máquina
Diferenças em Diferenças…Modelo de Efeitos Fixos…Método de Controle Sinté…

Fontes

  1. Chernozhukov, V., Wuthrich, K., & Zhu, Y. (2021). An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls. Journal of the American Statistical Association, 116(536), 1849-1864. DOI: 10.1080/01621459.2021.1920957
  2. Freyaldenhoven, S., Hansen, C., & Shapiro, J. M. (2019). Pre-event Trends in the Panel Event-Study Design. American Economic Review, 109(9), 3307-3338. DOI: 10.1257/aer.20180609

Como citar esta página

ScholarGate. (2026, June 3). Machine Learning-Augmented Panel Event Study Estimator. ScholarGate. https://scholargate.app/pt/causal-inference/machine-learning-augmented-panel-event-study

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
ScholarGateMachine Learning-Augmented Panel Event Study (Machine Learning-Augmented Panel Event Study Estimator). Recuperado em 2026-06-15 de https://scholargate.app/pt/causal-inference/machine-learning-augmented-panel-event-study · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026