Maskininlärningsförstärkt fuzzy regressionsdiskontinuitetsdesign
ML-förstärkt fuzzy RDD utökar den klassiska fuzzy regressionsdiskontinuitetsdesignen genom att ersätta parametriska polynomapproximationer med flexibla maskininlärningsestimatorer. Där standard fuzzy RDD använder IV-liknande estimering vid en tröskel med ofullständig följsamhet, utnyttjar den ML-förstärkta varianten icke-parametriska inlärningsmodeller – såsom slumpmässiga skogar eller neurala nätverk – för att modellera både utfallet och sannolikheten för första-stegsbehandling nära avskärningen, vilket minskar misspecifikationsbias samtidigt som kausal identifiering bevaras.
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
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
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
- Fuzzy regressionsdiskontinuitetsdesignKausal inferens↔ jämför
- Instrumentvariabelmetoden (IV) för kausal inferensHälsoekonomi↔ jämför
- Maskininlärningsförstärkt regressionsdiskontinuitetsdesignKausal inferens↔ jämför
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →