Maskininlärningsförstärkt känslighetsanalys för kausalitet
Maskininlärningsförstärkt känslighetsanalys kombinerar flexibla ML-estimatorer med formella robusthetskontroller för att bedöma hur mycket oobserverad konfundering som skulle krävas för att kullkasta ett kausalt fynd. Baserad på Chernozhukov et al:s dubbel/debiaserade ML-ramverk och Cinelli och Hazletts verktyg för känslighet för utelämnade variabler, levererar den både högdimensionell kovariatjustering och transparent kommunikation av kvarvarande osäkerhet om oobserverade konfoundrar.
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- Instrumentvariabelmetoden (IV) för kausal inferensHälsoekonomi↔ compare
- Propensity score-matchningForskningsstatistik↔ compare
- Regressionsdiskontinuitetsdesign (RDD)Kausal inferens↔ compare
- Syntetisk kontrollmetod (SCM)Kausal inferens↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →