Målrettet Maksimum Likelihood Estimation (TMLE)
Målrettet Maksimum Likelihood Estimation (TMLE) er en semiparametrisk, dobbelt robust kausal inferensmetode introduceret af Mark van der Laan og Daniel Rubin i 2006. Den kombinerer fleksible maskinlæringsmodeller for både udfaldet og behandlingsallokeringsmekanismen, anvender derefter et målretningstrin, der genjusterer den indledende udfaldsmodel specifikt for at reducere bias for en forudspecificeret kausal estimand, såsom den gennemsnitlige behandlingseffekt. TMLE anvendes bredt inden for epidemiologi, biostatistik og sundhedsøkonomi ved estimering af kausale effekter fra observationsdata.
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
- van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1). DOI: 10.2202/1557-4679.1043 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Targeted Maximum Likelihood Estimation (TMLE). ScholarGate. https://scholargate.app/da/causal-inference/targeted-maximum-likelihood
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.
- Double Machine LearningKausal inferens↔ compare
- Dobbelt Robust Estimation (AIPW)Kausal inferens↔ compare
- Vægtning med den inverse behandlingssandsynlighed (IPW / IPTW)Kausal inferens↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →