Regresný diskontinuálny dizajn obohatený o strojové učenie
Regresný diskontinuálny dizajn obohatený o strojové učenie (ML-RDD) kombinuje logiku ostrého určenia klasického RDD — využívajúcu známy prah prideľovania v bežnej premennej — s flexibilnými, dátovo adaptívnymi metódami ML na výber šírky pásma, odhad podmienenej strednej hodnoty a úpravu kovariát. Cieľom je získať presnejší odhad lokálneho priemerného efektu liečby na prahu s menším počtom predpokladov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Mapa metód
Okolie príbuzných metód — vyberte uzol na preskúmanie.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/sk/causal-inference/machine-learning-augmented-regression-discontinuity-design
Ktorá metóda?
Postavte túto metódu vedľa jej najbližších príbuzných a čítajte ich vedľa seba — knižnica vám knihy položí na stôl; voľba je na vás.
- Fuzzy Regression Discontinuity DesignKauzálna inferencia↔ porovnať
- Strojové učenie-augmentované rozdiely v rozdieloch (ML-DiD)Kauzálna inferencia↔ porovnať
- Zodpovedajúce skóre sklonuŠtatistika vo výskume↔ porovnať
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →