Estimació doblement robusta de l'efecte de tractament heterogeni
L'estimació doblement robusta dels efectes de tractament heterogenis (HTE) estima com l'efecte causal d'un tractament varia entre subgrups o valors de covariables individuals. En combinar un model de resultats i un model de puntuació de propensió, manté la consistència si qualsevol dels dos models està correctament especificat, i admet estimadors de molèstia flexibles d'aprenentatge automàtic mitjançant l'entrecreuament (cross-fitting) per produir estimacions vàlides de l'efecte de tractament mitjà condicional (CATE).
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/ca/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Estimació Doblement Robusta (AIPW)Inferència causal↔ compara
- Pes pesat per la probabilitat inversa (IPW / IPTW)Inferència causal↔ compara
- Estimació robusta a doble augmentada per aprenentatge automàtic (ML-DR)Inferència causal↔ compara
- Model Estructural Marginal (MSM)Inferència causal↔ compara
- Ponderació per puntuació de propensió (PSW / IPW)Inferència causal↔ compara
Similar methods
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →