Regression modelQuasi-experimental / causal inference
机器学习增强的反事实影响评估
机器学习增强的反事实影响评估将潜在结果因果推断的可信度与现代机器学习算法的灵活性相结合。机器学习学习器（如 Lasso、随机森林或神经网络）不强制要求混淆变量的参数化函数形式，而是估计用于构建因果效应近似无偏估计的干扰函数（倾向得分、结果回归）。典型的实现是双重/去偏机器学习（DML），由 Chernozhukov 等人（2018 年）形式化。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Counterfactual Impact Evaluation. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-counterfactual-impact-evaluation
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 因果影响分析因果推断↔ 比较
- 反事实影响评估 (CIE)因果推断↔ 比较
- 双重差分法 (Diff-in-Diff)计量经济学↔ 比较
- 倾向得分匹配研究统计学↔ 比较
- 合成控制法 (SCM)因果推断↔ 比较