Машинно-обучен Модел на Маргинална Структура (ML-MSM)
Машинно-обученият модел на маргинална структура комбинира причинната строгост на рамката на MSM на Robins et al. с гъвкави, адаптивни към данните ML алгоритми за оценка на склонностните резултати и моделните резултати. Чрез замяна на параметрични спомагателни модели с ансамблови обучаващи се или невронни мрежи, ML-MSM възстановяват валидни причинни оценки при объркващи фактори, без да разчитат на правилно специфицирани параметрични форми.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-marginal-structural-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Двойно устойчива оценка (AIPW)Причинно-следствено заключение↔ compare
- Претегляне с обратна вероятност на лечението (IPW / IPTW)Причинно-следствено заключение↔ compare
- Оценка с машинно обучение и двойна робастност (ML-DR)Причинно-следствено заключение↔ compare
- Маргинален структурен модел (МСМ)Причинно-следствено заключение↔ compare
- Претегляне с оценка на склонността (PSW / IPW)Причинно-следствено заключение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →