Оценщик на основе согласования с расширением машинного обучения
Оценщик на основе согласования с расширением машинного обучения (ML-augmented matching estimator) объединяет классическое согласование по ближайшим соседям или по показателю склонности с алгоритмами машинного обучения — такими как лассо, случайные леса или градиентный бустинг — для выбора ковариат, оценки показателя склонности и коррекции остаточного смещения. Результатом является причинный оценщик на основе согласования, который остается действительным при наличии высокоразмерного смешения, где традиционное согласование, заданное вручную, терпит неудачу.
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/ru/causal-inference/machine-learning-augmented-matching-estimator
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Двухробастное оценивание (AIPW)Причинно-следственный вывод↔ сравнить
- Взвешивание по обратной вероятности лечения (IPW / IPTW)Причинно-следственный вывод↔ сравнить
- Усиленная машинным обучением дважды робастная оценка (ML-DR)Причинно-следственный вывод↔ сравнить
- Оце́нка методом подбора пар (Matching Estimator)Причинно-следственный вывод↔ сравнить
- Метод подбора на основе оценки склонностиСтатистика исследований↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →