Dobbelt robust estimering inden for uddannelsesforskning
Dobbelt robust estimering (DR) er en semiparametrisk kausal inferens-tilgang, der kombinerer en outcome regressionsmodel med en propensity score-model. Inden for uddannelsesforskning bruges den til at estimere den kausale effekt af uddannelsesprogrammer, interventioner eller politikker på studerendes resultater, når behandlingsallokering ikke er tilfældig, men observerede kovariater kan redegøre for selektionsbias. Estimator er konsistent, hvis enten – ikke nødvendigvis begge – af de to komponentmodeller er korrekt specificeret.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
- Karim, M. E., Petkau, J., Gustafson, P., Tremlett, H., & BeAMS Study Group. (2018). Comparison of statistical approaches dealing with time-dependent confounding in drug effectiveness studies. Statistical Methods in Medical Research, 27(6), 1709-1722. DOI: 10.1177/0962280216668554 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Doubly Robust Estimation Applied to Education Research. ScholarGate. https://scholargate.app/da/causal-inference/doubly-robust-estimation-in-education-research
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Difference-in-Differences (Diff-in-Diff)Økonometri↔ sammenlign
- Dobbelt Robust Estimation (AIPW)Kausal inferens↔ sammenlign
- Vægtning med den inverse behandlingssandsynlighed (IPW / IPTW)Kausal inferens↔ sammenlign
- Marginal Structural Model (MSM)Kausal inferens↔ sammenlign
- Propensity Score MatchingForskningsstatistik↔ sammenlign
- Propensity Score Weighting (PSW / IPW)Kausal inferens↔ sammenlign
Similar methods
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →