বিষমধর্মী ট্রিটমেন্ট ইফেক্ট ডাবলি রোবাস্ট এস্টিমেশন
বিষমধর্মী ট্রিটমেন্ট ইফেক্ট (HTE) এর ডাবলি রোবাস্ট এস্টিমেশন অনুমান করে যে একটি ট্রিটমেন্টের কার্যকারণ প্রভাব উপগোষ্ঠী বা স্বতন্ত্র কোভেরিয়েট মান জুড়ে কীভাবে পরিবর্তিত হয়। একটি আউটকাম মডেল এবং একটি প্রপেনসিটি স্কোর মডেলকে একত্রিত করে, এটি সামঞ্জস্যপূর্ণ থাকে যদি উভয় মডেলের মধ্যে যেকোনো একটি সঠিকভাবে নির্দিষ্ট করা হয়, এবং বৈধ কন্ডিশনাল অ্যাভারেজ ট্রিটমেন্ট ইফেক্ট (CATE) অনুমান তৈরি করতে ক্রস-ফিটিংয়ের মাধ্যমে নমনীয় মেশিন লার্নিং নুইসেন্স এস্টিমেটরগুলিকে সমর্থন করে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
পদ্ধতি-মানচিত্র
সম্পর্কিত পদ্ধতিসমূহের প্রতিবেশ — অন্বেষণ করতে একটি নোড নির্বাচন করুন।
উৎস
- 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 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/bn/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
কোন পদ্ধতি?
এই পদ্ধতিটিকে তার নিকটতম সমগোত্রীয়দের পাশে রাখুন এবং পাশাপাশি পড়ুন — গ্রন্থাগার বইগুলি টেবিলে সাজিয়ে দেয়; নির্বাচন আপনার।
- দ্বৈতভাবে সুদৃঢ় প্রাক্কলন (AIPW)কার্যকারণ অনুমান↔ তুলনা করুন
- ইনভার্স প্রোবাবিলিটি অফ ট্রিটমেন্ট ওয়েটিং (IPW / IPTW)কার্যকারণ অনুমান↔ তুলনা করুন
- মেশিন লার্নিং-অগমেন্টেড ডাবলি রোবাস্ট এস্টিমেশন (ML-DR)কার্যকারণ অনুমান↔ তুলনা করুন
- Marginal Structural Model (MSM)কার্যকারণ অনুমান↔ তুলনা করুন
- প্রোপেনসিটি স্কোর ওয়েটিং (PSW / IPW)কার্যকারণ অনুমান↔ তুলনা করুন
Similar methods
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →