การออกแบบการถดถอยแบบแบ่งช่วงที่เสริมด้วยการเรียนรู้ของเครื่อง
การออกแบบการถดถอยแบบแบ่งช่วงที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-RDD) ผสมผสานตรรกะการระบุที่เฉียบคมของการออกแบบการถดถอยแบบแบ่งช่วง (RDD) แบบดั้งเดิม — โดยใช้ประโยชน์จากจุดตัดที่ทราบในการกำหนดตัวแปรต่อเนื่อง — กับวิธีการ ML ที่ยืดหยุ่นและปรับตามข้อมูลได้สำหรับการเลือกแบนด์วิดท์ การประมาณค่าเฉลี่ยแบบมีเงื่อนไข และการปรับตัวแปรควบคุม เป้าหมายคือการกู้คืนค่าประมาณของผลกระทบการรักษาเฉลี่ยเฉพาะที่ (local average treatment effect) ที่จุดตัด ซึ่งมีความแม่นยำมากขึ้นและมีข้อสมมติฐานน้อยลง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-regression-discontinuity-design
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การออกแบบการถดถอยแบบไม่ต่อเนื่องแบบฟัซซีการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Machine Learning-Augmented Difference-in-Differences (ML-DiD)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ เปรียบเทียบ