การออกแบบการไม่ต่อเนื่องของการถดถอยแบบฟัซซีที่เสริมด้วยการเรียนรู้ของเครื่อง
ML-augmented fuzzy RDD ขยายการออกแบบการไม่ต่อเนื่องของการถดถอยแบบฟัซซีแบบดั้งเดิม โดยแทนที่การประมาณค่าพหุนามแบบพารามิเตอร์ด้วยตัวประมาณค่าการเรียนรู้ของเครื่องที่มีความยืดหยุ่น ในขณะที่ fuzzy RDD แบบมาตรฐานใช้การประมาณค่าแบบ IV-style ที่เกณฑ์ที่มีการปฏิบัติตามที่ไม่สมบูรณ์ แต่ ML-augmented variant ใช้ประโยชน์จากตัวเรียนรู้แบบนอนพารามิเตอร์ เช่น random forests หรือ neural networks เพื่อสร้างแบบจำลองทั้งผลลัพธ์และความน่าจะเป็นของการรักษาในขั้นแรกใกล้จุดตัด ซึ่งช่วยลดอคติจากการระบุแบบจำลองผิดพลาดในขณะที่ยังคงรักษาการระบุเชิงสาเหตุไว้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- Difference-in-Differences (DiD)เศรษฐมิติ↔ เปรียบเทียบ
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การออกแบบการถดถอยแบบไม่ต่อเนื่องแบบฟัซซีการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- วิธีการตัวแปรเครื่องมือ (IV) สำหรับการอนุมานเชิงสาเหตุเศรษฐศาสตร์สุขภาพ↔ เปรียบเทียบ
- การออกแบบการถดถอยแบบแบ่งช่วงที่เสริมด้วยการเรียนรู้ของเครื่องการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ