Doubly Robust Estimation für Politikbewertung
Doubly Robust Estimation für Politikbewertung wendet den doppelt robusten (DR) Schätzer an, um die kausale Wirkung einer öffentlichen Politik oder eines Programms zu bewerten. Sie kombiniert ein Modell der Behandlungszuweisung (Propensity Score) mit einem Modell des Ergebnisses und erfordert nur, dass eines der beiden Modelle korrekt spezifiziert ist, um eine konsistente Schätzung des durchschnittlichen Behandlungseffekts zu erzielen, was sie zu einem robusten Werkzeug für die Programmevaluierung macht.
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
- 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 ↗
- Robins, J. M., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Doubly Robust Estimation for Policy Evaluation. ScholarGate. https://scholargate.app/de/causal-inference/policy-evaluation-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
- Marginales Strukturelles Modell (MSM)Kausale Inferenz↔ vergleichen
- Politikevaluation mittels Propensity Score MatchingKausale Inferenz↔ vergleichen
- Propensity Score Weighting (PSW / IPW)Kausale Inferenz↔ vergleichen
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →