Подвійне машинне навчання
Подвійне/знеупереджене машинне навчання (DML), запроваджене Черножуковим та ін. (2018), є напівпараметричною структурою для оцінки причинно-наслідкових або структурних параметрів за наявності високорозмірних контролів. Воно використовує гнучкі методи машинного навчання для моделювання допоміжних функцій — умовних математичних сподівань результату та втручання за коваріатами — а потім конструює знеупереджений оцінювач цільового параметра, який досягає узгодженості з коренем з n та валідного висновку, незважаючи на регуляризаційну упередженість, властиву високорозмірним налаштуванням.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/uk/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.
- Подвійне робастне оцінювання (AIPW)Причинно-наслідковий висновок↔ compare
- Гетерогенні ефекти впливу (CATE / Мета-навчачі)Причинно-наслідковий висновок↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →