Registro de evidência do método

Machine Learning-Augmented Counterfactual Impact Evaluation

Machine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather than imposing parametric functional forms for confounders, ML learners — such as lasso, random forests, or neural nets — estimate nuisance functions (propensity scores, outcome regressions) that are then used to construct approximately unbiased estimates of causal effects. The canonical instantiation is Double/Debiased Machine Learning (DML), formalized by Chernozhukov et al. (2018).

Sources recorded, not reviewed

Registro de origem

Citações copiadas literalmente do registro de origem do método. Nenhuma verificação em nível de alegação é inferida delas.

Registro de método taxonômico · regression-model / causal-inference

Abrir método completo

Alegações curadas

Alegações persistidas no livro-razão de evidências, cada uma com sua própria avaliação.

Ainda não há alegações curadas

Esta visualização não inventa uma avaliação de alegação quando o livro-razão não a possui.

Métodos relacionados

Gerado a partir do grafo de métodos e mostrado como relações sugeridas por máquina — nenhuma alegação de evidência é inferida.

Taxonomic bucketCausal Impact Analysismachine-suggested · Relational suggestion, not evidence.Taxonomic bucketCounterfactual Impact Evaluationmachine-suggested · Relational suggestion, not evidence.Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.See alsoPropensity Score Matchingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSynthetic Control Methodmachine-suggested · Relational suggestion, not evidence.