Räumliche doppelt robuste Schätzung
Räumliche doppelt robuste Schätzung ist eine semiparametrische kausale Inferenzmethode, die Propensity-Score-Gewichtung mit Outcome-Regressionsmodellierung kombiniert – und somit Schutz vor Fehlspezifikation einer der Komponenten bietet – während sie räumliche Autokorrelation unter Einheiten explizit berücksichtigt. Sie erweitert den klassischen augmentierten inversen Wahrscheinlichkeitsgewichtungs-Schätzer (AIPW) auf Settings, in denen die Behandlungzuweisung und die Outcomes geografisch geclustert oder räumlich abhängig sind.
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
- Papadogeorgou, G., Mealli, F., & Zigler, C. M. (2019). Causal inference with interfering units for cluster and population level treatment allocation programs. Biometrics, 75(3), 778-787. DOI: 10.1111/biom.13049 ↗
- Kennedy, E. H. (2016). Semiparametric theory and empirical processes in causal inference. In H. He, P. Wu, & D.-G. Chen (Eds.), Statistical Causal Inferences and Their Applications in Public Health Research (pp. 141-167). Springer. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Spatial Doubly Robust Causal Estimation. ScholarGate. https://scholargate.app/de/causal-inference/spatial-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.
- Differenz-in-Differenzen (DiD)Ökonometrie↔ vergleichen
- Doubly Robust Estimation (AIPW)Kausale Inferenz↔ vergleichen
- Geographisch gewichtete Regression (GWR)Räumliche Analyse↔ vergleichen
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausale Inferenz↔ vergleichen
- Propensity Score MatchingForschungsstatistik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →