.png){kind=icon}
返回
Causal Machine Learning: A Deductive-Inductive Framework for Sociological Research
.png){kind=icon}
OA
AI
DOI：10.1007/s11577-026-01053-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
因果解释是社会学研究的核心，塑造了理论发展和实证研究。本文认为，因果机器学习——将演绎识别策略与归纳估计技术相结合——为在潜在结果框架内建模复杂、非线性社会过程提供了一种分析方法。我们主张因果机器学习通过迭代反馈循环运行：理论假设指导灵活估计，归纳性地揭示复杂的异质性和非线性，这些发现随后完善和扩展社会学知识。基于对近期社会学研究的系统回顾（2014-2024），我们重点介绍了因果机器学习如何推动三个关键领域的工作：因果效应异质性、因果中介分析和时变因果推断。这些发展扩展了社会学家可用的方法工具箱，并增强了学科测试、完善和扩展社会解释理论的能力。最后，我们概述了新兴方向，包括高维因果推断和生成式人工智能，这些正在为因果机器学习在社会学中的应用开辟新的方法论前沿。
Keyword:
Causal machine learning
Deductive-inductive reasoning
Causal effect heterogeneity
Causal mediation analysis
Time-varying causal inference
Kausales maschinelles Lernen
Deduktiv-induktives Schlie ss en
Heterogenit & auml
t kausaler Effekte
Kausale Mediationsanalyse
Zeitvariate kausale Inferenz
期刊
K
IF:
0.9
论文数:
63
被引数:
890
机构
引用论文
分享收藏
Does Anyone Suffer From Teenage Motherhood? Mental Health Effects of Teen Motherhood in Great Britain Are Small and Homogeneous.png)
DEMOGRAPHYOAAI
DEMOGRAPHYIF3.6
OAAI分享收藏
查看更多内容