Maskininlärningsförstärkt skillnad-i-skillnader (ML-DiD)
Maskininlärningsförstärkt DiD kombinerar den klassiska identifieringsstrategin skillnad-i-skillnader med flexibla ML-estimatorer för störfunktioner – propensity score och utfallsprogression – för att erhålla giltiga kausala estimat även när behandlingsval och utfallsdynamik är komplex, högdimensionell eller icke-linjär. Metoden, som bygger på dubbel/avbiasad maskininlärning (Chernozhukov et al., 2018) och dubbelt robust DiD (Sant'Anna & Zhao, 2020), skyddar mot felsspecifikationsbias samtidigt som den bevarar kärnlogiken i DiD: jämförelser före-efter, behandlad-jämfört-med-kontroll.
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 ↗
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Difference-in-Differences Estimator. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-difference-in-differences
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.
- Differens-i-differens (DiD)Ekonometri↔ compare
- Dubbelt robust skattning (AIPW)Kausal inferens↔ compare
- Dynamisk Differens-i-DifferensKausal inferens↔ compare
- Heterogen effektskillnad-i-skillnad (HTE-DiD)Kausal inferens↔ compare
- Propensity score-matchningForskningsstatistik↔ compare
- Syntetisk kontrollmetod (SCM)Kausal inferens↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →