Masinõppimisega täiendatud pöördvõrdeline tõenäosuskaalutamine (ML-IPW)
Masinõppimisega täiendatud pöördvõrdeline tõenäosuskaalutamine (ML-IPW) asendab parameetrilise logistilise regressiooni paindlike masinõppimisalgoritmidega, et hinnata ravi tõenäosusskoore, ja seejärel kaalub valimit uuesti, et tasakaalustada töödeldud ja kontrollühikuid. Kasutades andmepõhiseid õppijaid, nagu lasso, juhuslikud metsad või gradienttõhustus, kontrollib ML-IPW kõrgedimensionaalseid ja mittelineaarseid segajaid, mida klassikaline IPW jätab tähelepanuta, säilitades samal ajal intuitiivse kaalutamisraamistiku.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- 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 ↗
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Augmented Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/et/causal-inference/machine-learning-augmented-inverse-probability-weighting
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Topeltrobustne hindamine (AIPW)Põhjuslik järeldamine↔ võrdle
- Pöörd-tõenäosuskaalutamine (IPW / IPTW)Põhjuslik järeldamine↔ võrdle
- Masinõppega täiendatud kahekordselt robustne hinnang (ML-DR)Põhjuslik järeldamine↔ võrdle
- Masinõppimisega täiustatud sobivusskoori sobitaminePõhjuslik järeldamine↔ võrdle
- Propensity Score Weighting (PSW / IPW)Põhjuslik järeldamine↔ võrdle
Märkasid sellel lehel viga? Teata sellest või paku parandust →