Машинско учење-појачано инструменталним варијаблама (ML-IV)
Машинско учење-појачано инструменталним варијаблама комбинује снагу класичних IV за каузалну идентификацију са модерним високодимензионалним машинским учењем — користећи методе као што су LASSO, случајне шуме или неуронске мреже за избор важећих инструмената и моделирање помоћних функција, чиме се побољшава првостепено поклапање и омогућава важеће извођење закључака чак и када је број потенцијалних инструмената или контрола велики у односу на величину узорка.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/sr/causal-inference/machine-learning-augmented-instrumental-variables
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.
- Regresija metodom najmanjih kvadrata u dva koraka (2SLS / IV)Ekonometrija↔ compare
- Metod instrumentalnih promenljivih (IV) za kauzalno zaključivanjeEkonomija zdravstva↔ compare
- Regresija LasoMašinsko učenje↔ compare
- Uskladiivanje rezultata sklonostiIstraživačka statistika↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →