Двойно робастно оценяване на хетерогенен ефект от въздействие
Двойно робастното оценяване на хетерогенни ефекти от въздействие (HTE) оценява как причинно-следственият ефект от дадено въздействие варира в подгрупи или при индивидуални стойности на ковариати. Чрез комбиниране на модел на резултата и модел на склонността, то запазва съгласуваност, ако някой от моделите е правилно специфициран, и поддържа гъвкави машинно-обучителни оценители на смущения чрез кръстосано напасване, за да произведе валидни оценки на условния среден ефект от въздействие (CATE).
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Kennedy, E. H. (2023). Towards optimal doubly robust estimation of heterogeneous causal effects. Electronic Journal of Statistics, 17(2), 3008-3049. DOI: 10.1214/23-EJS2157 ↗
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/bg/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Двойно устойчива оценка (AIPW)Причинно-следствено заключение↔ сравняване
- Претегляне с обратна вероятност на лечението (IPW / IPTW)Причинно-следствено заключение↔ сравняване
- Оценка с машинно обучение и двойна робастност (ML-DR)Причинно-следствено заключение↔ сравняване
- Маргинален структурен модел (МСМ)Причинно-следствено заключение↔ сравняване
- Претегляне с оценка на склонността (PSW / IPW)Причинно-следствено заключение↔ сравняване
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →