Машинско учење-појачани регресионо-дисконтинуитетни дизајн
Машинско учење-појачани регресионо-дисконтинуитетни дизајн (ML-RDD) комбинује оштру логику идентификације класичног RDD — искоришћавајући познати прекид у додели у променљивој која тече — са флексибилним, адаптивним ML методама за избор пропусног опсега, процену условне средине и прилагођавање коваријати. Циљ је да се добије тачнија процена локалног просечног ефекта третмана на прагу, са мање претпоставки.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Mapa metoda
Okruženje srodnih metoda — izaberite čvor da biste istraživali.
Izvori
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/sr/causal-inference/machine-learning-augmented-regression-discontinuity-design
Koja metoda?
Postavite ovu metodu pored njoj najbližih srodnika i čitajte ih uporedo — biblioteka polaže knjige na sto; izbor je na vama.
- Fuzzy Regression Discontinuity DesignKauzalno zaključivanje↔ uporedi
- Mašinsko učenje-augmentovano razlika-u-razlici (ML-DiD)Kauzalno zaključivanje↔ uporedi
- Uskladiivanje rezultata sklonostiIstraživačka statistika↔ uporedi
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →