Dubbel maskininlärning
Dubbel/avbiasad maskininlärning (DML), introducerad av Chernozhukov et al. (2018), är ett semiparametriskt ramverk för att estimera kausala eller strukturella parametrar i närvaro av högdimensionella kontroller. Den använder flexibla maskininlärningsmetoder för att modellera störfunktioner – de betingade förväntningarna av utfallet och behandlingen givet kovariater – och konstruerar sedan en avbiasad estimator av målparametern som uppnår rot-n-konsistens och giltig inferens trots den regulariseringsbias som är inneboende i högdimensionella inställningar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/sv/causal-inference/double-machine-learning
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.
- Dubbelt robust skattning (AIPW)Kausal inferens↔ compare
- Heterogena behandlingseffekter (CATE / Meta-inlärningsmetoder)Kausal inferens↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →