ScholarGate
Ассистент
Regression modelQuasi-experimental / causal inference

Машинное обучение с дополненным укрупненным точным согласованием (ML-CEM)

Машинное обучение с дополненным укрупненным точным согласованием (ML-CEM) расширяет укрупненное точное согласование (Coarsened Exact Matching, CEM) (Iacus, King & Porro, 2012) за счет использования управляемого машинного обучения для автоматизации и оптимизации этапа укрупнения — дискретизации непрерывных ковариат в интервалы — вместо того, чтобы полагаться на заданные исследователем точки разделения. Это снижает как произвольную субъективность в решениях по укрупнению, так и остаточный дисбаланс, сохраняя при этом основную логику CEM точного согласования внутри укрупненных страт.

Открыть в MethodMindСкороApply, compare, get guidance
Tools & resources
Скачать слайды
Learn & explore
ВидеоСкоро

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Карта метода

Окружение родственных методов — выберите узел, чтобы перейти к нему.

Источники

  1. Iacus, S. M., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24. DOI: 10.1093/pan/mpr013
  2. Imai, K., & Ratkovic, M. (2014). Covariate balancing propensity score. Journal of the Royal Statistical Society: Series B, 76(1), 243-263. DOI: 10.1111/rssb.12027

Как цитировать эту страницу

ScholarGate. (2026, June 3). Machine Learning-Augmented Coarsened Exact Matching Estimator. ScholarGate. https://scholargate.app/ru/causal-inference/machine-learning-augmented-coarsened-exact-matching

Какой метод?

Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.

Сравнить рядом
ScholarGateMachine Learning-Augmented Coarsened Exact Matching (Machine Learning-Augmented Coarsened Exact Matching Estimator). Получено 2026-06-17 из https://scholargate.app/ru/causal-inference/machine-learning-augmented-coarsened-exact-matching · Набор данных: https://doi.org/10.5281/zenodo.20539026