Maskininlärningsförstärkta instrumentvariabler (ML-IV)
Maskininlärningsförstärkta instrumentvariabler kombinerar den kausala identifieringskraften hos klassiska IV med modern högdimensionell maskininlärning — med hjälp av metoder som LASSO, random forests eller neurala nätverk för att välja giltiga instrument och modellera störfunktioner, vilket förbättrar första stegens anpassning och möjliggör giltig inferens även när antalet potentiella instrument eller kontroller är stort i förhållande till urvalsstorleken.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-instrumental-variables
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.
- Tvåstegs minsta kvadratmetoden (2SLS / IV) regressionEkonometri↔ jämför
- Instrumentvariabelmetoden (IV) för kausal inferensHälsoekonomi↔ jämför
- Lasso-regressionMaskininlärning↔ jämför
- Propensity score-matchningForskningsstatistik↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →