การเรียนรู้ของเครื่องแบบทวีคูณ
การเรียนรู้ของเครื่องแบบทวีคูณ/ลดอคติ (Double/Debiased Machine Learning หรือ DML) ซึ่งนำเสนอโดย Chernozhukov et al. (2018) เป็นกรอบการทำงานแบบกึ่งพารามิเตอร์สำหรับการประมาณค่าพารามิเตอร์เชิงสาเหตุหรือเชิงโครงสร้างในกรณีที่มีตัวควบคุมมิติสูง โดยใช้วิธีการเรียนรู้ของเครื่องที่ยืดหยุ่นเพื่อสร้างแบบจำลองฟังก์ชันรบกวน (nuisance functions) ซึ่งก็คือค่าคาดหวังแบบมีเงื่อนไขของผลลัพธ์และการบำบัดเมื่อกำหนดตัวแปรควบคุม จากนั้นจึงสร้างตัวประมาณค่าแบบลดอคติของพารามิเตอร์เป้าหมายที่ให้ความสอดคล้องแบบ root-n และการอนุมานที่ถูกต้อง แม้จะมีอคติจากการทำให้เป็นมาตรฐาน (regularization bias) ที่มีอยู่ในสถานการณ์มิติสูง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/th/causal-inference/double-machine-learning
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.
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ compare
- ผลกระทบจากการรักษาที่แตกต่างกัน (CATE / Meta-Learners)การอนุมานเชิงสาเหตุ↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare