تطابق امتیاز تمایل تقویتشده با یادگیری ماشین
تطابق امتیاز تمایل تقویتشده با یادگیری ماشین (ML-PSM) رگرسیون لجستیک سنتی مورد استفاده برای تخمین امتیازات تمایل را با الگوریتمهای یادگیری ماشین انعطافپذیر - مانند درختان تقویتشده گرادیان، جنگلهای تصادفی، یا LASSO - جایگزین میکند تا روابط پیچیده و غیرخطی بین متغیرهای کمکی را بهتر ثبت کند. امتیازات تمایل غنیتر حاصل، تعادل متغیرهای کمکی را بهبود بخشیده و سوگیری در اثر میانگین درمان بر روی افراد تحت درمان (ATT) تخمینزده شده را کاهش میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- McCaffrey, D. F., Ridgeway, G., & Morral, A. R. (2004). Propensity score estimation with boosted regression for evaluating causal effects in observational studies. Psychological Methods, 9(4), 403-425. DOI: 10.1037/1082-989X.9.4.403 ↗
- Westreich, D., Lessler, J., & Funk, M. J. (2010). Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression. Journal of Clinical Epidemiology, 63(8), 826-833. DOI: 10.1016/j.jclinepi.2009.11.020 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-propensity-score-matching
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.
- تطابق دقیق تقریبزده (CEM)استنتاج علّی↔ مقایسه
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ مقایسه
- تراز کردن آنتروپیاستنتاج علّی↔ مقایسه
- برآورد مضاعفاً استوار با تقویت یادگیری ماشین (ML-DR)استنتاج علّی↔ مقایسه
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ مقایسه
- وزندهی امتیاز تمایل (PSW / IPW)استنتاج علّی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →