Mašinsko učenje-augmentovana analiza osetljivosti za kauzalnost
Mašinsko učenje-augmentovana analiza osetljivosti kombinuje fleksibilne ML procenitelje sa formalnim proverama robusnosti kako bi se procenilo koliko bi nemereno konfundiranje bilo potrebno da se obori kauzalni nalaz. Zasnovana na Chernozhukov et al. dvostruko/debijasiranom ML okviru i Cinelli i Hazlett alatima za osetljivost na izostavljene varijable, ona pruža i visokodimenzionalno prilagođavanje kovarijata i transparentnu komunikaciju preostale neizvesnosti o neprimećenim konfounderima.
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/sr/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- Metod instrumentalnih promenljivih (IV) za kauzalno zaključivanjeEkonomija zdravstva↔ compare
- Uskladiivanje rezultata sklonostiIstraživačka statistika↔ compare
- Regresioni prekidni dizajn (RDD)Kauzalno zaključivanje↔ compare
- Metoda sintetičke kontrole (SCM)Kauzalno zaključivanje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →