Doppelte robuste Schätzung heterogener Behandlungseffekte
Die doppelt robuste Schätzung heterogener Behandlungseffekte (HTE) ermittelt, wie der kausale Effekt einer Behandlung über Untergruppen oder individuelle Kovariatenwerte variiert. Durch die Kombination eines Ergebnismodells und eines Propensity-Score-Modells behält sie die Konsistenz bei, wenn entweder das Modell korrekt spezifiziert ist, und unterstützt flexible Machine-Learning-Nuisance-Schätzer durch Kreuzvalidierung (Cross-fitting), um gültige Schätzungen des bedingten durchschnittlichen Behandlungseffekts (CATE) zu erzeugen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/de/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Doubly Robust Estimation (AIPW)Kausale Inferenz↔ vergleichen
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausale Inferenz↔ vergleichen
- Machine Learning-Augmented Doubly Robust Estimation (ML-DR)Kausale Inferenz↔ vergleichen
- Marginales Strukturelles Modell (MSM)Kausale Inferenz↔ vergleichen
- Propensity Score Weighting (PSW / IPW)Kausale Inferenz↔ vergleichen
Similar methods
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →