Машинне навчання для оцінки контрфактичного впливу
Машинне навчання для оцінки контрфактичного впливу поєднує достовірність причинно-наслідкової вибірки потенційних результатів із гнучкістю сучасних алгоритмів машинного навчання. Замість накладання параметричних функціональних форм для змішуючих факторів, учні машинного навчання — такі як лассо, випадкові ліси або нейронні мережі — оцінюють другорядні функції (оцінки схильності, регресії результатів), які потім використовуються для побудови приблизно незміщених оцінок причинних ефектів. Канонічною реалізацією є подвійне/незміщене машинне навчання (DML), формалізоване Черножуковим та ін. (2018).
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
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 ↗
- Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. DOI: 10.1146/annurev-economics-080217-053433 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/uk/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Аналіз причинно-наслідкового впливуПричинно-наслідковий висновок↔ порівняти
- Контрфактуативна оцінка впливу (КОВ)Причинно-наслідковий висновок↔ порівняти
- Різниця різниць (Diff-in-Diff)Економетрика↔ порівняти
- Зіставлення за показником схильностіСтатистика досліджень↔ порівняти
- Метод синтетичного контролю (SCM)Причинно-наслідковий висновок↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →