Kiểm định giả dược tăng cường bằng học máy
Kiểm định giả dược tăng cường bằng học máy là một kỹ thuật xác nhận suy luận nhân quả, sử dụng các bộ ước lượng học máy linh hoạt — như rừng nhân quả (causal forests), LASSO, hoặc học máy kép/trừ sai số (double/debiased ML) — để thực hiện các kiểm tra bác bỏ (falsification checks) đối với một chiến lược nhận dạng. Bằng cách thay thế các phép gán điều trị thực tế bằng các phép gán giả dược (giả), và xác minh rằng hiệu ứng ước lượng sụp đổ về 0, các nhà nghiên cứu xác nhận rằng các phát hiện nhân quả của họ không phải là sản phẩm phụ của việc sai đặc tả mô hình hoặc nhiễu.
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 Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-placebo-test
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
- Phương pháp Biến Công cụ (IV) cho Suy luận Nhân quảKinh tế học y tế↔ 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 →