Dvostruko mašinsko učenje
Dvostruko/debiased mašinsko učenje (DML), koje su uveli Chernozhukov et al. (2018), jeste poluparametarski okvir za procenu kauzalnih ili strukturnih parametara u prisustvu visokodimenzionalnih kontrola. Koristi fleksibilne metode mašinskog učenja za modelovanje pomoćnih funkcija—uslovna očekivanja ishoda i tretmana datih kovarijata—a zatim konstruiše debiased procenitelj ciljnog parametra koji postiže koren iz n konzistentnost i validno zaključivanje uprkos pristrasnosti regularizacije inherentnoj u visokodimenzionalnim postavkama.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/sr/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.
- Izračunavanje dvostruke robustnosti (AIPW)Kauzalno zaključivanje↔ compare
- Heterogeni efekti tretmana (CATE / Meta-učenici)Kauzalno zaključivanje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →