Maskininlärningsförstärkt händelestudie-design
Maskininlärningsförstärkt händelestudie-design kombinerar det standardiserade ramverket för händelestudier – som spårar utfallsvariationer kring ett behandlingsdatum – med ML-baserade metoder såsom dubbel/avvinklad maskininlärning (DML) eller regulariserad regression för att hantera högdimensionella kovariater, förbättra kontrollen av störfaktorer och producera giltiga kausala skattningar när kovariatsrymden är för stor för att konventionell regression ska kunna hantera den tillförlitligt.
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-event-study-design
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
- Dynamisk Differens-i-DifferensKausal inferens↔ compare
- PanelhändelsestudieKausal inferens↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →