TL;DR
- چکیده:.
- ما چارچوبی را برای کمیسازی سوگیری متغیر حذف شده (OVB) در برآوردگرهای غیرخطی متغیر ابزاری (IV) توسعه.
- میدهیم،.
چه اتفاقی افتاد
چکیده:. ما چارچوبی را برای کمیسازی سوگیری متغیر حذف شده (OVB) در برآوردگرهای غیرخطی متغیر ابزاری (IV) توسعه.
میدهیم،. از جمله اثر میانگین موضعی درمان (LATE)،.
LATE برای درمان (LATT) و مدل IV جزئی خطی (PLIVM). با گسترش تجزیه و تحلیل حساسیت فراتر از تنظیمات خطی،.
تجزیههای سوگیری را استخراج میکنیم،. مرزهای شناسایی جزئی را ایجاد میکنیم و فواصل اطمینان تعدیلشده با OVB را ایجاد میکنیم.
ما مرزهای OVB را تخمین میزنیم و استنتاج را با استفاده از یادگیری ماشین دوگانه (DML) انجام. میدهیم که به کنترل انعطاف پذیر برای متغیرهای کمکی با ابعاد بالا اجازه میدهد.
یک برنامه کاربردی برای آزمایش قانون مشارکت آموزش شغلی ایالات متحده (JTPA) نشان میدهد که در سطوح اهمیت. مرسوم،.
برآوردهای انطباق در مرحله اول نسبت به متغیرهای حذفشده قوی هستند،. در حالی که اثرات قصد درمان و درمان حساستر هستند.
تأثیرات برنامه قوی و قوی است برای زنان قابل توجه است اما برای مردان شکننده است. صفحه، 8 شکل اقتصاد سنجی (econ.
EM)؛ روش شناسی (stat. ME) استناد بهعنوان: (یا v1 [econ.
EM] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Yu-Min Yen [مشاهده ایمیل] [v1] شنبه،. 4 آوریل 2026،.
01:. 45:.
56 UTC (130 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.