وزندهی مبتنی بر امتیاز تمایل تقویتشده با یادگیری ماشین
وزندهی مبتنی بر امتیاز تمایل تقویتشده با یادگیری ماشین (ML-PSW) رگرسیون لجستیک را با الگوریتمهای یادگیری ماشین انعطافپذیر - مانند تقویت گرادیان، LASSO، یا جنگلهای تصادفی - برای تخمین امتیاز تمایل جایگزین میکند، سپس از وزنهای معکوس احتمال برای متعادل کردن گروههای تحت درمان و کنترل استفاده میکند. این امر بایاس ناشی از مشخصسازی نادرست مدل را در مواردی که رابطه واقعی بین متغیرهای کمکی و تخصیص درمان پیچیده یا با ابعاد بالا است، کاهش میدهد.
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
- 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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/fa/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- روش تفاوت در تفاوت (Diff-in-Diff)اقتصادسنجی↔ compare
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ compare
- وزندهی احتمال معکوسِ دریافتِ درمان (IPW / IPTW)استنتاج علّی↔ compare
- تطابق امتیاز تمایل تقویتشده با یادگیری ماشیناستنتاج علّی↔ compare
- وزندهی امتیاز تمایل (PSW / IPW)استنتاج علّی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →