مدل ساختاری حاشیهای تقویتشده با یادگیری ماشین (ML-MSM)
مدل ساختاری حاشیهای تقویتشده با یادگیری ماشین، استحکام علّی چارچوب MSM اثر رابینز و همکاران را با الگوریتمهای یادگیری ماشین انعطافپذیر و انطباقی با دادهها برای برآورد امتیاز تمایل و مدلهای پیامد ترکیب میکند. با جایگزینی مدلهای آفت پارامتریک با یادگیرندههای گروهی یا شبکههای عصبی، ML-MSMها برآوردهای علّی معتبر را تحت تأثیر عوامل مخدوشکننده بدون اتکا به فرمهای پارامتریک بهدرستی مشخصشده بازیابی میکنند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-marginal-structural-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ compare
- وزندهی احتمال معکوسِ دریافتِ درمان (IPW / IPTW)استنتاج علّی↔ compare
- برآورد مضاعفاً استوار با تقویت یادگیری ماشین (ML-DR)استنتاج علّی↔ compare
- مدل ساختاری حاشیهای (MSM)استنتاج علّی↔ compare
- وزندهی امتیاز تمایل (PSW / IPW)استنتاج علّی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →