Maskininlärningsförstärkt matchningsestimator
Den maskininlärningsförstärkta matchningsestimatormetoden kombinerar klassisk närmaste granne- eller propensity-score-matchning med ML-algoritmer — såsom lasso, random forests eller gradient boosting — för att välja kovariater, estimera propensity-scores och korrigera för kvarvarande bias. Resultatet är en matchningsbaserad kausal estimator som förblir giltig under högdimensionell confounding där traditionell manuellt specificerad matchning misslyckas.
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-matching-estimator
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.
- Dubbelt robust skattning (AIPW)Kausal inferens↔ jämför
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ jämför
- Maskininlärningsförstärkt dubbelt robust skattning (ML-DR)Kausal inferens↔ jämför
- MatchningsestimatorKausal inferens↔ jämför
- Propensity score-matchningForskningsstatistik↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →