Maskininlärningsförstärkt kontrafaktisk effektutvärdering
Maskininlärningsförstärkt kontrafaktisk effektutvärdering kombinerar trovärdigheten hos kausala inferens med potential-outcomes-ramverket med flexibiliteten hos moderna ML-algoritmer. Istället för att påtvinga parametriska funktionsformer för störfaktorer (confounders), estimerar ML-inlärningsmodeller — såsom lasso, random forests eller neurala nätverk — störfunktioner (propensity scores, utfallsprogressioner) som sedan används för att konstruera approximativt väntevärdesriktiga estimat av kausala effekter. Den kanoniska implementeringen är Double/Debiased Machine Learning (DML), formaliserad av Chernozhukov et al. (2018).
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Analys av kausal påverkanKausal inferens↔ jämför
- Kontrafaktisk effektutvärdering (CIE)Kausal inferens↔ jämför
- Differens-i-differens (DiD)Ekonometri↔ jämför
- Propensity score-matchningForskningsstatistik↔ jämför
- Syntetisk kontrollmetod (SCM)Kausal inferens↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →