Heterogeenisten hoito-vaikutusten kaksinkertaisesti robusti estimointi
Heterogeenisten hoito-vaikutusten (HTE) kaksinkertaisesti robusti estimointi arvioi, miten hoidon kausaalinen vaikutus vaihtelee alaryhmien tai yksittäisten kovariaattiarvojen mukaan. Yhdistämällä tulosmallin ja taipumus-pistemallin se säilyttää konsistenssin, jos jompikumpi malli on oikein spesifioitu, ja tukee joustavia koneoppimisen häiriö-estimaattoreita ristiin-sovittamisen avulla pätevien ehdollisten keskimääräisten hoito-vaikutusten (CATE) estimointiin.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/fi/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Kaksoisrobustin estimoinnin (AIPW) menetelmäKausaalipäättely↔ vertaa
- Käänteisen todennäköisyyden painotus (IPW / IPTW)Kausaalipäättely↔ vertaa
- Koneoppimista hyödyntävä kaksinkertaisesti robusti estimointi (ML-DR)Kausaalipäättely↔ vertaa
- Marginaalinen rakenteellinen malli (MSM)Kausaalipäättely↔ vertaa
- Propensity Score Weighting (PSW / IPW)Kausaalipäättely↔ vertaa
Similar methods
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →