Heterogen Behandlingseffekt Dobbelrobust Estimering
Dobbelrobust estimering af heterogene behandlingseffekter (HTE) estimerer, hvordan den kausale effekt af en behandling varierer på tværs af undergrupper eller individuelle kovariatværdier. Ved at kombinere en outcome-model og en propensity score-model bevarer den konsistens, hvis enten modellen er korrekt specificeret, og understøtter fleksible nuisance-estimatorer fra machine learning gennem cross-fitting for at producere gyldige estimater af betinget gennemsnitlig behandlingseffekt (CATE).
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/da/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
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.
- Dobbelt Robust Estimation (AIPW)Kausal inferens↔ sammenlign
- Vægtning med den inverse behandlingssandsynlighed (IPW / IPTW)Kausal inferens↔ sammenlign
- Maskinlærings-augmenteret dobbelt robust estimering (ML-DR)Kausal inferens↔ sammenlign
- Marginal Structural Model (MSM)Kausal inferens↔ 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 →