Ước lượng mạnh mẽ kép tăng cường học máy (ML-DR)
Ước lượng mạnh mẽ kép tăng cường học máy (ML-DR) kết hợp chiến lược nhận dạng mạnh mẽ kép cổ điển (AIPW) với các mô hình học máy linh hoạt cho các hàm nhiễu — điểm xu hướng và hồi quy kết quả. Kết quả là một ước lượng nhân quả nhất quán nếu một trong hai thành phần ML được chỉ định đúng, và đạt được suy luận hợp lệ, tỷ lệ gốc n ngay cả khi các mô hình nhiễu được ước lượng bằng cách điều chuẩn hóa chiều cao hoặc người học phi tham số.
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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-doubly-robust-estimation
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.
- Phương pháp Sai phân kép (Difference-in-Differences - DiD)Kinh tế lượng↔ so sánh
- Ước lượng Mạnh mẽ Kép (AIPW)Suy luận nhân quả↔ so sánh
- Trọng số Xác suất Nghịch đảo của Điều trị (IPW / IPTW)Suy luận nhân quả↔ so sánh
- Ghép điểm xu hướng được tăng cường bằng học máySuy luận nhân quả↔ so sánh
- Mô hình cấu trúc biên (MSM)Suy luận nhân quả↔ so sánh
- Trọng số điểm xu hướng (PSW / IPW)Suy luận nhân quả↔ so sánh
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →