ScholarGate
Assistent
Regression modelQuasi-experimental / causal inference

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.

Öppna i MethodMindSnartVideoSnartLadda ner bildspel

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Metodkarta

Närområdet av besläktade metoder — välj en nod för att utforska.

Källor

  1. 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
  2. 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.

Jämför sida vid sida

Refereras av

ScholarGateMachine learning-augmented doubly robust estimation (Machine Learning-Augmented Doubly Robust Estimation). Hämtad 2026-06-15 från https://scholargate.app/sv/causal-inference/machine-learning-augmented-doubly-robust-estimation · Datamängd: https://doi.org/10.5281/zenodo.20539026