CausalML Book Ch17: Regression Discontinuity Designs in Causal Inference
Impossibile aggiungere al carrello
Puoi avere soltanto 50 titoli nel carrello per il checkout.
Riprova più tardi
Riprova più tardi
Rimozione dalla Lista desideri non riuscita.
Riprova più tardi
Non è stato possibile aggiungere il titolo alla Libreria
Per favore riprova
Non è stato possibile seguire il Podcast
Per favore riprova
Esecuzione del comando Non seguire più non riuscita
CausalML Book Ch17: Regression Discontinuity Designs in Causal Inference
-
Letto da:
-
Di:
A proposito di questo titolo
This episode explores a powerful method for identifying causal effects in non-experimental settings. The authors, affiliated with various universities, explain the basic RDD framework, where treatment assignment is determined by a running variable crossing a cutoff value. The text highlights how modern machine learning (ML) methods can enhance RDD analysis, particularly when dealing with numerous covariates, improving efficiency and allowing for the study of heterogeneous treatment effects. An empirical example demonstrates the application of RDD and ML techniques to analyze the impact of an antipoverty program in Mexico.
Disclosure
- The CausalML Book: Chernozhukov, V. & Hansen, C. & Kallus, N. & Spindler, M., & Syrgkanis, V. (2024): Applied Causal Inference Powered by ML and AI. CausalML-book.org; arXiv:2403.02467.
- Audio summary is generated by Google NotebookLM https://notebooklm.google/
- The episode art is generated by OpenAI ChatGPT
Ancora nessuna recensione