Машинно обучение, подсилено с претегляне с пропенсити скор (ML-PSW)
Машинно обучение, подсилено с претегляне с пропенсити скор (ML-PSW) заменя логистичната регресия с гъвкави ML алгоритми — като градиентно усилване, LASSO или случайни гори — за оценка на пропенсити скора, след което използва обратни вероятностни тегла за балансиране на третираните и контролните групи. Това намалява отклонението от неправилно специфициран модел, когато истинската връзка между ковариатите и назначаването на лечение е сложна или високомерна.
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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/bg/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- Метод на разликите в разликите (Difference-in-Differences, DiD)Иконометрия↔ сравняване
- Двойно устойчива оценка (AIPW)Причинно-следствено заключение↔ сравняване
- Претегляне с обратна вероятност на лечението (IPW / IPTW)Причинно-следствено заключение↔ сравняване
- Машинно обучение-увеличено съвпадане по оценка на склонносттаПричинно-следствено заключение↔ сравняване
- Претегляне с оценка на склонността (PSW / IPW)Причинно-следствено заключение↔ сравняване
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →