تخمین دوگانه استوار اثرات ناهمگنِ رفتار (Heterogeneous Treatment Effect Doubly Robust Estimation)
تخمین دوگانه استوارِ اثرات ناهمگنِ رفتار (HTE) چگونگیِ تغییرِ اثرِ سببیِ یک رفتار را در زیرگروهها یا مقادیرِ متغیرهایِ کمکیِ فردی، تخمین میزند. با ترکیبِ یک مدلِ پیامد و یک مدلِ امتیازِ تمایل، در صورتی که هر یک از مدلها به درستی مشخص شده باشند، سازگاری را حفظ میکند و از برآورگرهایِ مزاحمِ یادگیریِ ماشینِ انعطافپذیر از طریقِ تقاطعیابی (cross-fitting) برای تولیدِ تخمینهایِ معتبرِ میانگینِ اثرِ شرطیِ رفتار (CATE) پشتیبانی میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/fa/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ مقایسه
- وزندهی احتمال معکوسِ دریافتِ درمان (IPW / IPTW)استنتاج علّی↔ مقایسه
- برآورد مضاعفاً استوار با تقویت یادگیری ماشین (ML-DR)استنتاج علّی↔ مقایسه
- مدل ساختاری حاشیهای (MSM)استنتاج علّی↔ مقایسه
- وزندهی امتیاز تمایل (PSW / IPW)استنتاج علّی↔ مقایسه
Similar methods
Related reference concepts
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →