Thiết kế Phân tích Gián đoạn Mờ Tăng cường Học máy
RDD mờ tăng cường ML mở rộng thiết kế phân tích gián đoạn mờ cổ điển bằng cách thay thế các phép xấp xỉ đa thức tham số bằng các ước lượng học máy linh hoạt. Trong đó RDD mờ tiêu chuẩn sử dụng ước lượng kiểu IV tại một ngưỡng với tuân thủ không hoàn hảo, biến thể tăng cường ML tận dụng các bộ học không tham số — như rừng ngẫu nhiên hoặc mạng nơ-ron — để mô hình hóa cả kết quả và xác suất điều trị giai đoạn đầu gần ngưỡng, giảm sai lệch do chỉ định sai trong khi vẫn bảo toàn nhận dạng nhân quả.
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
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
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
- Thiết kế gián đoạn hồi quy mờSuy luận nhân quả↔ so sánh
- Phương pháp Biến Công cụ (IV) cho Suy luận Nhân quảKinh tế học y tế↔ so sánh
- Thiết kế hồi quy gián đoạn tăng cường học máySuy luận nhân quả↔ so sánh
Similar methods
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →