Të dyfishtë Mësimi Makinerik
Të dyfishtë/Mësimi Makinerik i Debiasuar (DML), i prezantuar nga Chernozhukov et al. (2018), është një kornizë gjysëm-parametrike për vlerësimin e parametrave kauzalë ose strukturorë në prani të kontrolleve me dimensionalitet të lartë. Ai përdor metoda fleksibile të mësimit makinerik për të modeluar funksionet e bezdisshme—prerjet e kushtëzuara të rezultati dhe trajtimi duke pasur parasysh kovariatët—dhe më pas ndërton një vlerësues të debiasuar të parametrit objektiv që arrin konsistencë rrënjë-n dhe inferencë të vlefshme pavarësisht nga biasi i rregullimit inherent në cilësimet me dimensionalitet të lartë.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/sq/causal-inference/double-machine-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Estimatimi i dyfishtë i qëndrueshëm (AIPW)Inferenca kauzale↔ compare
- Efektet Heterogjene të Trajtimit (CATE / Meta-Learners)Inferenca kauzale↔ compare
- Pylli i RastësishëmMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →