Đánh giá Tác động Phản thực tế Tăng cường Học máy
Đánh giá tác động phản thực tế tăng cường học máy kết hợp độ tin cậy của suy luận nhân quả theo kết quả tiềm năng với tính linh hoạt của các thuật toán học máy hiện đại. Thay vì áp đặt các dạng hàm tham số cho các yếu tố gây nhiễu, các bộ học máy — như lasso, rừng ngẫu nhiên hoặc mạng nơ-ron — ước tính các hàm phiền nhiễu (điểm xu hướng, hồi quy kết quả) sau đó được sử dụng để xây dựng các ước lượng hiệu ứng nhân quả gần như không chệch. Biểu hiện chính tắc là Học máy Kép/Giảm chệch (DML), được hình thức hóa bởi Chernozhukov và cộng sự (2018).
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Bản đồ phương pháp
Lân cận của các phương pháp liên quan — chọn một nút để khám phá.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
Phương pháp nào?
Đặt phương pháp này bên cạnh những phương pháp gần gũi nhất với nó và đọc chúng song song — thư viện bày sách lên bàn; lựa chọn là của bạn.
- Phân tích Tác động Nhân quảSuy luận nhân quả↔ so sánh
- Đánh giá Tác động Phản thực tế (CIE)Suy luận nhân quả↔ so sánh
- Phương pháp Sai phân kép (Difference-in-Differences - DiD)Kinh tế lượng↔ so sánh
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ so sánh
- Phương pháp Kiểm soát Tổng hợp (SCM)Suy luận nhân quả↔ so sánh
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →