Инструментальные переменные с применением машинного обучения (ML-IV)
Инструментальные переменные с применением машинного обучения объединяют силу классических инструментальных переменных для причинно-следственной идентификации с современным высокоразмерным машинным обучением — используя такие методы, как LASSO, случайные леса или нейронные сети для выбора валидных инструментов и моделирования вспомогательных функций, тем самым улучшая подгонку первой стадии и обеспечивая валидную статистическую проверку даже при большом количестве потенциальных инструментов или контролей по отношению к размеру выборки.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/ru/causal-inference/machine-learning-augmented-instrumental-variables
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Регрессия методом наименьших квадратов в два этапа (2SLS / IV)Эконометрика↔ сравнить
- Метод инструментальных переменных (ИП) для причинно-следственного выводаЭкономика здравоохранения↔ сравнить
- Регрессия ЛассоМашинное обучение↔ сравнить
- Метод подбора на основе оценки склонностиСтатистика исследований↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →