الترجيح الاحتمالي العكسي المعزز بالتعلم الآلي (ML-IPW)
يستبدل الترجيح الاحتمالي العكسي المعزز بالتعلم الآلي الانحدار اللوجستي البارامتري بخوارزميات تعلم آلي مرنة لتقدير درجات ميل المعالجة، ثم يعيد ترجيح العينة لموازنة الوحدات المعالجة ووحدات التحكم. من خلال الاستفادة من المتعلمين المتكيفين مع البيانات مثل لاسو، والغابات العشوائية، أو تعزيز التدرج، يتحكم ML-IPW في المتغيرات المربكة عالية الأبعاد وغير الخطية التي يغفلها IPW الكلاسيكي، مع الاحتفاظ بإطار الترجيح البديهي.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- 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 ↗
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Machine Learning-Augmented Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/ar/causal-inference/machine-learning-augmented-inverse-probability-weighting
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- التقدير المتين المزدوج (AIPW)الاستدلال السببي↔ قارن
- الترجيح الاحتمالي العكسي (IPW / IPTW)الاستدلال السببي↔ قارن
- تقدير التعزيز المزدوج المعزز بالتعلم الآلي (ML-DR)الاستدلال السببي↔ قارن
- مطابقة درجات الميل المعززة بالتعلم الآليالاستدلال السببي↔ قارن
- الترجيح بالدرجة الميولية (PSW / IPW)الاستدلال السببي↔ قارن