Regression modelQuasi-experimental / causal inference

机器学习增强工具变量 (ML-IV)

机器学习增强工具变量结合了经典工具变量法的因果识别能力与现代高维机器学习方法——利用LASSO、随机森林或神经网络等方法来选择有效的工具变量并建模非相关函数，从而在潜在工具变量或控制变量数量相对于样本量较大时，也能改善第一阶段拟合并实现有效推断。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

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。

机器学习增强工具变量 (ML-IV)

两阶段最小二乘法 (2SLS / IV) 回归因果推断的工具变量（IV）方法 Lasso 回归倾向得分匹配

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 ↗
Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369-2429. DOI: 10.3982/ECTA9626 ↗

如何引用本页

ScholarGate. (2026, June 3). Machine Learning-Augmented Instrumental Variables Estimation. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-instrumental-variables

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。

并排比较 →

发现本页有问题？报告或提出修改建议 →