Maskininlärningsförstärkt regressionsdiskontinuitetsdesign
Maskininlärningsförstärkt regressionsdiskontinuitetsdesign (ML-RDD) kombinerar den skarpa identifieringslogiken hos klassisk RDD – som utnyttjar en känd tilldelningsgräns i en löpande variabel – med flexibla, datadrivna ML-metoder för bandbreddsval, estimering av betingade medelvärden och kovariatjustering. Målet är att erhålla en mer korrekt och mindre antagandelastad estimering av den lokala genomsnittliga behandlingseffekten vid tröskeln.
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
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Fuzzy regressionsdiskontinuitetsdesignKausal inferens↔ jämför
- Maskininlärningsförstärkt skillnad-i-skillnader (ML-DiD)Kausal inferens↔ jämför
- Propensity score-matchningForskningsstatistik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →