Evaluación de Políticas Estimación Doblemente Robusta
La Estimación Doblemente Robusta (DR, por sus siglas en inglés) aplica el estimador doblemente robusto para evaluar el efecto causal de una política o programa público. Combina un modelo de asignación del tratamiento (puntuación de propensión) con un modelo del resultado, y solo requiere que uno de los dos modelos esté correctamente especificado para producir una estimación consistente del efecto promedio del tratamiento, lo que la convierte en una herramienta resiliente para la evaluación de programas.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Doubly Robust Estimation for Policy Evaluation. ScholarGate. https://scholargate.app/es/causal-inference/policy-evaluation-doubly-robust-estimation
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Estimación Doblemente Robusta (AIPW)Inferencia causal↔ comparar
- Ponderación por Probabilidad Inversa de Tratamiento (IPW / IPTW)Inferencia causal↔ comparar
- Modelo Estructural Marginal (MSM)Inferencia causal↔ comparar
- Evaluación de políticas mediante emparejamiento por puntuación de propensiónInferencia causal↔ comparar
- Ponderación por Puntuación de Propensión (PSW / IPW)Inferencia causal↔ comparar
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →