Biến số công cụ tăng cường học máy (ML-IV)
Biến số công cụ tăng cường học máy (ML-IV) kết hợp sức mạnh nhận dạng nhân quả của biến số công cụ (IV) cổ điển với học máy hiện đại trong không gian chiều cao — sử dụng các phương pháp như LASSO, rừng ngẫu nhiên hoặc mạng nơ-ron để chọn các biến số công cụ hợp lệ và mô hình hóa các hàm phiền nhiễu, qua đó cải thiện sự phù hợp của giai đoạn đầu và cho phép suy luận hợp lệ ngay cả khi số lượng biến số công cụ tiềm năng hoặc biến kiểm soát lớn so với kích thước mẫu.
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 ↗
- Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-instrumental-variables
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.
- Hồi quy bình phương nhỏ nhất hai giai đoạn (2SLS / IV)Kinh tế lượng↔ so sánh
- Phương pháp Biến Công cụ (IV) cho Suy luận Nhân quảKinh tế học y tế↔ so sánh
- Hồi quy LassoHọc máy↔ so sánh
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ so sánh
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →