Dobbelt Robust Estimation (AIPW)
Dobbelt Robust Estimation, også kaldet Augmented Inverse Probability Weighting (AIPW), er en semiparametrisk metode til estimering af kausale behandlingseffekter, der kombinerer en udfaldsregressionsmodel med en propensitetsmodel (behandlingsmodel). Udviklet i arbejdet af Robins & Rotnitzky (1995) og Bang & Robins (2005), forbliver den konsistent, så længe mindst én af de to modeller er korrekt specificeret.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+50 more
Kilder
- Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129. DOI: 10.1080/01621459.1995.10476494 ↗
- Bang, H. & Robins, J. M. (2005). Doubly Robust Estimation in Missing Data and Causal Inference Models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation. ScholarGate. https://scholargate.app/da/causal-inference/doubly-robust-estimation
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.
- Kausal formidlingsanalyse (naturlige direkte og indirekte effekter)Kausal inferens↔ compare
- Vægtning med den inverse behandlingssandsynlighed (IPW / IPTW)Kausal inferens↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Almindelig mindste kvadraters metode (OLS) regressionØkonometri↔ compare
- Propensity Score MatchingForskningsstatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →