Машинно обучение, подсилено с балансиране на ентропията
Машинно обучение, подсилено с балансиране на ентропията (ML-EB), комбинира схемата за претегляне чрез балансиране на ентропията на Hainmueller с модел на резултата, базиран на машинно обучение, за да се получи двойно робастна причинно-следствена оценка. Чрез съвместно оптимизиране на теглата за балансиране на ковариатите и гъвкава корекция на предвидения резултат, ML-EB осигурява последователни оценки на ефекта от третирането, дори когато моделът за претегляне или моделът на резултата е неправилно специфициран, и обработва високомерни ковариатни пространства, които класическото балансиране на ентропията не може лесно да балансира.
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
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-entropy-balancing
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
- Балансиране чрез ентропияПричинно-следствено заключение↔ сравняване
- Претегляне с обратна вероятност на лечението (IPW / IPTW)Причинно-следствено заключение↔ сравняване
- Съгласуване по показател на склонностСтатистика за изследвания↔ сравняване
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →