Maskininlärningsförstärkt dubbelt robust skattning (ML-DR)
Maskininlärningsförstärkt dubbelt robust (ML-DR) skattning kombinerar den klassiska dubbelt robusta (AIPW) identifieringsstrategin med flexibla maskininlärningsmodeller för störningsfunktionerna – propensity score och utfallsregressionen. Resultatet är en kausal skattare som är konsistent om antingen ML-komponenten är korrekt specificerad, och som uppnår giltig, roten-n-inferens även när störningsmodellerna skattas med högdimensionell regularisering eller icke-parametriska inlärningsalgoritmer.
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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-doubly-robust-estimation
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.
- Differens-i-differens (DiD)Ekonometri↔ jämför
- Dubbelt robust skattning (AIPW)Kausal inferens↔ jämför
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ jämför
- Maskininlärningsförstärkt propensity score-matchningKausal inferens↔ jämför
- Marginal Structural Model (MSM)Kausal inferens↔ jämför
- Propensitetspoängsviktning (PSW / IPW)Kausal inferens↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →