Maskinlæringsforstærket Propensity Score-vægtning
Maskinlæringsforstærket propensity score-vægtning (ML-PSW) erstatter logistisk regression med fleksible ML-algoritmer – såsom gradient boosting, LASSO eller random forests – til at estimere propensity scoren og bruger derefter inverse sandsynlighedsvægte til at balancere behandlede og kontrolgrupper. Dette reducerer bias fra modelspecifikationsfejl, når den sande sammenhæng mellem kovariater og behandlingsallokering er kompleks eller højdimensionel.
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.
Kilder
- 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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/da/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- Difference-in-Differences (Diff-in-Diff)Økonometri↔ compare
- Dobbelt Robust Estimation (AIPW)Kausal inferens↔ compare
- Vægtning med den inverse behandlingssandsynlighed (IPW / IPTW)Kausal inferens↔ compare
- Maskinlærings-augmenteret propensity score matchingKausal inferens↔ compare
- Propensity Score Weighting (PSW / IPW)Kausal inferens↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →