Regression model
التقدير المتين المزدوج (AIPW)
التقدير المتين المزدوج، ويُسمى أيضًا الترجيح العكسي المزداد للاحتمالية (AIPW)، هو طريقة شبه معلمية لتقدير الآثار السببية للعلاج تجمع بين نموذج انحدار النتائج ونموذج الميل (العلاج). وقد طُوِّرت هذه الطريقة في أعمال روبنز وروتنيتسكي (1995) وبانج وروبنز (2005)، وتظل متسقة طالما أن أحد النموذجين على الأقل محدد بشكل صحيح.
اقرأ الطريقة كاملة
للأعضاء فقط
تسجيل الدخولسجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
+50 أخرى
المصادر
- Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129. DOI: 10.1080/01621459.1995.10476494 ↗
- Bang, H. & Robins, J. M. (2005). Doubly Robust Estimation in Missing Data and Causal Inference Models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 1). Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation. ScholarGate. https://scholargate.app/ar/causal-inference/doubly-robust-estimation
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- تحليل الوساطة السببية (التأثيرات المباشرة وغير المباشرة الطبيعية)الاستدلال السببي↔ قارن
- الترجيح الاحتمالي العكسي (IPW / IPTW)الاستدلال السببي↔ قارن
- الانحدار اللوجستيإحصاء البحث↔ قارن
- انحدار المربعات الصغرى العادية (OLS)الاقتصاد القياسي↔ قارن
- مطابقة درجات الميلإحصاء البحث↔ قارن
يُستشهد بها في
تقدير بايزي مزدوج المتانةموازنة الإنتروبيا البايزيةترجيح الاحتمال العكسي البيزينموذج الهياكل الهامشية البايزيمقدّر المطابقة البيزيمطابقة ميل الاحتمالية البايزيةترجيح ميل الاحتمالية البايزيتحليل الحساسية البيزي لسببية النتائجالتعلم الآلي المزدوجالتقدير المضاعف القوي في بحوث التعليمالترجيح الديناميكي بالاحتمالية العكسيةمطابقة ميل الاستعداد الديناميكيةموازنة الإنتروبياحساب جي (صيغة جي البارامترية)تقدير التأثيرات العلاجية غير المتجانسة المزدوجة المتينةموازنة الإنتروبيا لتأثيرات المعالجة غير المتجانسةالترجيح العكسي لاحتمالية المعالجة غير المتجانسة (HTE-IPW)نموذج الهيكل الهامشي لتأثير المعالجة غير المتجانس (HTE-MSM)مقدِّر المطابقة لتأثير المعالجة غير المتجانسمطابقة درجات الميل للتأثيرات العلاجية غير المتجانسةتحليل حساسية التأثيرات العلاجية المتباينة للسببيةالترجيح الاحتمالي العكسي (IPW / IPTW)الترجيح الاحتمالي العكسي في بحوث التعليمتحليل الأثر السببي المعزز بالتعلم الآليالتحسين الدقيق المُعزز بالتعلم الآلي (ML-CEM)الفرق في الفروق المعزز بالتعلم الآلي (ML-DiD)تقدير التعزيز المزدوج المعزز بالتعلم الآلي (ML-DR)موازنة الإنتروبيا المعززة بالتعلم الآليتصميم الانحدار المضبب المعزز بالتعلم الآليالترجيح الاحتمالي العكسي المعزز بالتعلم الآلي (ML-IPW)النموذج الهيكلي الهامشي المعزز بالتعلم الآلي (ML-MSM)مقدّر المطابقة المعزز بالتعلم الآليمطابقة درجات الميل المعززة بالتعلم الآليالترجيح المُعزَّز بالتعلم الآلي لدرجة الميلنموذج الهياكل الهامشية (MSM)مقدِّر المطابقةتقدير مضاعف المتانة متعدد الفتراتالترجيح العكسي لاحتمالية الفترة المتعددةترجيح درجات الميل متعدد الفتراتتقييم السياسات باستخدام تقدير مزدوج المتانةتقييم السياسات باستخدام ترجيح مقلوب الاحتماليةنموذج الهيكل الهامشي لتقييم السياساتتطبيق مطابقة درجات الميل لتقييم السياساتتقييم السياسات باستخدام ترجيح درجة الميلالترجيح بالدرجة الميولية (PSW / IPW)تقييم الأثر السببي المضاد القويالترجيح العكسي الاحتمالي القوي (Robust IPW)نموذج الهيكل الهامشي المتينتقدير المطابقة القوي (المطابقة المصححة بالانحياز)مطابقة درجات الميل القويةوزن درجات الميل القويتحليل الحساسية للسببيةالتقدير المكين المزدوج المكانيالترجيح العكسي الاحتمالي المكاني (Spatial IPW)التقدير المستهدف بأقصى احتمالية (TMLE)المتغيرات الآلية عبر المربعات الصغرى ذات المرحلتين (IV/2SLS)