Phân tích độ nhạy tăng cường bằng học máy cho tính nhân quả
Phân tích độ nhạy tăng cường bằng học máy (Machine learning-augmented sensitivity analysis) kết hợp các bộ ước lượng học máy linh hoạt với các kiểm tra độ mạnh mẽ chính thức để đánh giá mức độ nhiễu không đo lường cần thiết để lật ngược một kết quả nhân quả. Dựa trên khuôn khổ học máy kép/gỡ lỗi kép (double/debiased ML) của Chernozhukov và cộng sự và các công cụ nhạy cảm với sai lệch biến bị bỏ sót (omitted-variable-bias sensitivity tools) của Cinelli và Hazlett, phương pháp này cung cấp cả việc điều chỉnh đồng biến đa chiều và truyền đạt minh bạch về sự không chắc chắn còn lại đối với các yếu tố gây nhiễu không được quan sát.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Phương pháp Sai phân kép (Difference-in-Differences - DiD)Kinh tế lượng↔ compare
- Phương pháp Biến Công cụ (IV) cho Suy luận Nhân quảKinh tế học y tế↔ compare
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ compare
- Thiết kế Gián đoạn Hồi quy (Regression Discontinuity Design - RDD)Suy luận nhân quả↔ compare
- Phương pháp Kiểm soát Tổng hợp (SCM)Suy luận nhân quả↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →