Regression modelQuasi-experimental / causal inference
机器学习增强的安慰剂检验
机器学习增强的安慰剂检验是一种因果推断验证技术，它使用灵活的机器学习（ML）估计器——例如因果森林、LASSO或双重/无偏ML——对识别策略进行伪造性检验。通过将真实的治疗分配替换为安慰剂（虚假的）分配并验证估计效应是否收敛于零，研究人员可以确认其因果发现并非模型误设或混淆因素的产物。
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 Placebo Test for Causal Identification. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-placebo-test
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 →