Машинно-обучаемый аугментированный метод синтетического контроля
Машинно-обучаемый аугментированный метод синтетического контроля расширяет классический оцениватель синтетического контроля, используя регуляризованную регрессию или другие алгоритмы машинного обучения — такие как лассо, ридж или случайные леса — для построения весов доноров и моделирования траекторий исхода до вмешательства. Аугментация корректирует остаточный дисбаланс, оставшийся после стандартного шага взвешивания, снижая смещение, когда идеальный синтетический контроль отсутствует.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Ben-Michael, E., Feller, A., & Rothstein, J. (2021). The augmented synthetic control method. Journal of the American Statistical Association, 116(536), 1789-1803. DOI: 10.1080/01621459.2021.1929245 ↗
- Abadie, A. (2021). Using synthetic controls: Feasibility, data requirements, and methodological aspects. Journal of Economic Literature, 59(2), 391-425. DOI: 10.1257/jel.20191450 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Machine Learning-Augmented Synthetic Control Method. ScholarGate. https://scholargate.app/ru/causal-inference/machine-learning-augmented-synthetic-control-method
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Анализ причинно-следственного воздействия (Causal Impact Analysis)Причинно-следственный вывод↔ сравнить
- Разность разностей (Difference-in-Differences, DiD)Эконометрика↔ сравнить
- Машинное обучение с дополненным методом разностей разностей (ML-DiD)Причинно-следственный вывод↔ сравнить
- Метод синтетического контроля для панельных данныхПричинно-следственный вывод↔ сравнить
- Синтетический метод контроля (SCM)Причинно-следственный вывод↔ сравнить
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →