การออกแบบการศึกษาเหตุการณ์ที่เสริมด้วยการเรียนรู้ของเครื่อง
การออกแบบการศึกษาเหตุการณ์ที่เสริมด้วยการเรียนรู้ของเครื่อง (Machine learning-augmented event study design) เป็นการผสมผสานกรอบการศึกษาเหตุการณ์มาตรฐาน ซึ่งติดตามพลวัตของผลลัพธ์รอบวันที่เกิดเหตุการณ์ เข้ากับวิธีการที่ใช้การเรียนรู้ของเครื่อง เช่น การเรียนรู้ของเครื่องแบบคู่/แบบไม่เอนเอียง (double/debiased machine learning - DML) หรือการถดถอยแบบปรับให้เหมาะสม (regularized regression) เพื่อจัดการกับตัวแปรที่สังเกตได้ที่มีมิติสูง ปรับปรุงการควบคุมตัวแปรกวน และให้ค่าประมาณเชิงสาเหตุที่ถูกต้องเมื่อปริภูมิของตัวแปรที่สังเกตได้มีขนาดใหญ่เกินกว่าที่การถดถอยแบบดั้งเดิมจะจัดการได้อย่างน่าเชื่อถือ
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 ↗
- Athey, S., & Imbens, G. W. (2022). Design-based analysis in difference-in-differences settings with staggered adoption. Journal of Econometrics, 226(1), 62-79. DOI: 10.1016/j.jeconom.2020.10.012 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Event Study Design. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-event-study-design
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.
- Difference-in-Differences (DiD)เศรษฐมิติ↔ compare
- ไดนามิก ดิฟ-อิน-ดิฟ (Dynamic Difference-in-Differences)การอนุมานเชิงสาเหตุ↔ compare
- การศึกษาเหตุการณ์แบบแผง (Panel Event Study)การอนุมานเชิงสาเหตุ↔ compare