Strojové učení rozšířená entropická vyvažování
Strojové učení rozšířená entropická vyvažování (ML-EB) kombinuje Hainmuellerův mechanismus převažování entropie s modelem výsledku založeným na strojovém učení, aby se vytvořil dvojitě robustní kauzální odhad. Společným optimalizováním vah vyvažování kovariát a flexibilní úpravou predikovaného výsledku poskytuje ML-EB konzistentní odhady účinku léčby, i když je buď model vah, nebo model výsledku nesprávně specifikován, a zvládá vysokodimenzionální prostory kovariát, které klasické entropické vyvažování nedokáže snadno vyvážit.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/cs/causal-inference/machine-learning-augmented-entropy-balancing
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.
- Dvojitě robustní odhad (AIPW)Kauzální inference↔ compare
- Vyvažování entropieKauzální inference↔ compare
- Vážená inverzní pravděpodobnost léčby (IPW / IPTW)Kauzální inference↔ compare
- Párování na základě skóre propensityStatistika ve výzkumu↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →