Regression modelQuasi-experimental / causal inference
机器学习增强的断点回归设计
机器学习增强的断点回归设计（ML-RDD）将经典的RDD的尖锐识别逻辑——利用已知的赋值截止点——与灵活的、数据自适应的机器学习方法相结合，用于带宽选择、条件均值估计和协变量调整。目标是在阈值处更准确、更少依赖假设地估计局部平均处理效应。
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
- Calonico, S., Cattaneo, M. D., & Farrell, M. H. (2019). Optimal mean squared error bandwidth selection for regression discontinuity designs. Bernoulli, 25(4A), 2703-2729. link ↗
- Imbens, G., & Wager, S. (2019). Optimized regression discontinuity designs. Review of Economics and Statistics, 101(2), 264-278. DOI: 10.1162/rest_a_00793 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Regression Discontinuity Design. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-regression-discontinuity-design
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 →