Thiết kế hồi quy gián đoạn tăng cường học máy
Thiết kế hồi quy gián đoạn tăng cường học máy (ML-RDD) kết hợp logic nhận dạng sắc nét của RDD cổ điển — khai thác điểm cắt chỉ định đã biết trong một biến chạy — với các phương pháp học máy (ML) linh hoạt, thích ứng dữ liệu để lựa chọn băng thông, ước lượng trung bình có điều kiện và điều chỉnh hiệp biến. Mục tiêu là thu hồi ước lượng chính xác hơn và ít giả định hơn về hiệu ứng điều trị trung bình cục bộ tại ngưỡng.
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
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-regression-discontinuity-design
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.
- Thiết kế gián đoạn hồi quy mờSuy luận nhân quả↔ so sánh
- Difference-in-Differences (DiD) tăng cường bằng Học máy (ML-DiD)Suy luận nhân quả↔ so sánh
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ so sánh
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →