Regression modelQuasi-experimental / causal inference
机器学习增强的模糊回归断点设计
ML增强的模糊RDD通过用灵活的机器学习估计量替换参数多项式近似，扩展了经典的模糊RDD。标准的模糊RDD在阈值处使用IV（工具变量）风格估计，但依从性不完美；而ML增强变体则利用随机森林或神经网络等非参数学习器来模拟断点附近的结局变量和第一阶段的处理概率，从而减少了模型误设偏差，同时保留了因果识别。
在 MethodMind 中打开即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
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
- Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209. DOI: 10.1111/1468-0262.00183 ↗
- Semenova, V., & Chernozhukov, V. (2021). Debiased machine learning of conditional average treatment effects and other causal functions. The Econometrics Journal, 24(2), 264-289. DOI: 10.1093/ectj/utaa027 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Fuzzy Regression Discontinuity Design. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-fuzzy-regression-discontinuity
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。
- 双重差分法 (Diff-in-Diff)计量经济学↔ 比较
- 双重稳健估计（AIPW）因果推断↔ 比较
- 模糊回归断点设计因果推断↔ 比较
- 因果推断的工具变量（IV）方法卫生经济学↔ 比较
- 机器学习增强的断点回归设计因果推断↔ 比较
Similar methods
Machine learning-augmented regression discontinuity designFuzzy Regression DiscontinuityPolicy Evaluation Fuzzy Regression DiscontinuityRobust Fuzzy Regression DiscontinuityHeterogeneous Treatment Effect Fuzzy Regression DiscontinuityBayesian Fuzzy Regression DiscontinuityMulti-period Fuzzy Regression DiscontinuityRegression Discontinuity