Design de Regresie Discontinuă Augmentat cu Învățare Automată
Designul de regresie discontinuă augmentat cu învățare automată (ML-RDD) combină logica de identificare precisă a RDD clasic — exploatând o limită de alocare cunoscută într-o variabilă continuă — cu metode ML flexibile, adaptative la date, pentru selecția lățimii de bandă, estimarea mediei condiționate și ajustarea covariabilelor. Scopul este de a recupera o estimare mai precisă și mai puțin dependentă de ipoteze a efectului mediu local al tratamentului la prag.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Harta metodelor
Vecinătatea metodelor înrudite — selectați un nod pentru a explora.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/ro/causal-inference/machine-learning-augmented-regression-discontinuity-design
Ce metodă?
Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.
- Proiectarea Fuzzy Regression DiscontinuityInferență cauzală↔ compară
- Diferența-în-diferențe augmentată cu învățare automată (ML-DiD)Inferență cauzală↔ compară
- Potrivirea scorului de propensitateStatistică pentru cercetare↔ compară
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →