وزندهی احتمال معکوس تقویتشده با یادگیری ماشین (ML-IPW)
وزندهی احتمال معکوس تقویتشده با یادگیری ماشین، رگرسیون لجستیک پارامتریک را با الگوریتمهای یادگیری ماشین انعطافپذیر جایگزین میکند تا امتیازات تمایل به درمان را تخمین بزند، سپس نمونه را دوباره وزندهی میکند تا واحدهای تحت درمان و کنترل را متعادل کند. با بهرهگیری از یادگیرندههای انطباقی با دادهها مانند لاسو، جنگلهای تصادفی یا تقویت گرادیان، ML-IPW عوامل مخدوشکننده با ابعاد بالا و غیرخطی را که IPW کلاسیک از دست میدهد، کنترل میکند، در حالی که چارچوب وزندهی بصری را حفظ 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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-inverse-probability-weighting
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
- تطابق امتیاز تمایل تقویتشده با یادگیری ماشیناستنتاج علّی↔ مقایسه
- وزندهی امتیاز تمایل (PSW / IPW)استنتاج علّی↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →