Mašinsko učenje-augmentovana evaluacija kontrafaktuelnog uticaja
Mašinsko učenje-augmentovana kontrafaktuelna evaluacija uticaja kombinuje kredibilitet kauzalne inferencije zasnovane na potencijalnim ishodima sa fleksibilnošću modernih ML algoritama. Umesto nametanja parametarskih funkcionalnih oblika za konfaundere, ML učenici — kao što su laso, slučajne šume ili neuralne mreže — procenjuju dosadne funkcije (rezidualne verovatnoće, regresije ishoda) koje se zatim koriste za konstruisanje približno nepristrasnih procena kauzalnih efekata. Kanonski primer je Dvostruko/Nepristrasno Mašinsko Učenje (DML), formalizovano od strane Chernozhukova et al. (2018).
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Mapa metoda
Okruženje srodnih metoda — izaberite čvor da biste istraživali.
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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/sr/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Koja metoda?
Postavite ovu metodu pored njoj najbližih srodnika i čitajte ih uporedo — biblioteka polaže knjige na sto; izbor je na vama.
- Analiza uzročnog uticajaKauzalno zaključivanje↔ uporedi
- Kontrafaktualna evaluacija uticaja (CIE)Kauzalno zaključivanje↔ uporedi
- Razlika u razlikama (Diff-in-Diff)Ekonometrija↔ uporedi
- Uskladiivanje rezultata sklonostiIstraživačka statistika↔ uporedi
- Metoda sintetičke kontrole (SCM)Kauzalno zaključivanje↔ uporedi
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →