Машинно-обучен оценчик за съпоставяне
Машинно-обученият оценчик за съпоставяне комбинира класическо съпоставяне по най-близък съсед или по пропенсити скор с ML алгоритми — като ласо, случайни гори или градиентно усилване — за избор на ковариати, оценка на пропенсити скора и корекция за остатъчна отклонение. Резултатът е причинно-следствен оценчик, базиран на съпоставяне, който остава валиден при високоразмерно объркване, където традиционното ръчно специфицирано съпоставяне се проваля.
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
- 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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-matching-estimator
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
- Оценяващ метод чрез съпоставяне (Matching Estimator)Причинно-следствено заключение↔ сравняване
- Съгласуване по показател на склонностСтатистика за изследвания↔ сравняване
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →