Regression modelQuasi-experimental / causal inference
机器学习增强的因果关系敏感性分析
机器学习增强敏感性分析将灵活的机器学习估计器与正式的稳健性检验相结合，以评估需要多少未观测到的混淆才能推翻因果关系发现。该方法根植于 Chernozhukov 等人的双重/无偏机器学习框架和 Cinelli 和 Hazlett 的遗漏变量偏差敏感性工具，它能够进行高维协变量调整，并清晰地传达关于未观测混淆因素的剩余不确定性。
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
- Cinelli, C., & Hazlett, C. (2020). Making sense of sensitivity: extending omitted variable bias. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 82(1), 39-67. DOI: 10.1111/rssb.12348 ↗
- 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 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Sensitivity Analysis for Causal Inference. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-sensitivity-analysis-for-causality
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
- 因果推断的工具变量（IV）方法卫生经济学↔ 比较
- 倾向得分匹配研究统计学↔ 比较
- 回归断点设计 (Regression Discontinuity Design, RDD)因果推断↔ 比较
- 合成对照法 (SCM)因果推断↔ 比较