Dizajn studije događaja proširen mašinskim učenjem
Dizajn studije događaja proširen mašinskim učenjem kombinuje standardni okvir studije događaja — koji prati dinamiku ishoda oko datuma tretmana — sa metodama zasnovanim na mašinskom učenju, kao što su dvostruko/debiased mašinsko učenje (DML) ili regularizovana regresija, kako bi se upravljalo kovarijatama visoke dimenzionalnosti, poboljšala kontrola konfaundera i proizveli validni uzročni procenitelji kada je prostor kovarijata prevelik da bi ga konvencionalna regresija pouzdano upravljala.
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/sr/causal-inference/machine-learning-augmented-event-study-design
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.
- Razlika u razlikama (Diff-in-Diff)Ekonometrija↔ compare
- Динамичка разлика у разликамаKauzalno zaključivanje↔ compare
- Panel studija slučajaKauzalno zaključivanje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →