Metodin todisteiden tietue

Heterogeneous treatment effect Doubly robust estimation

Doubly robust estimation of heterogeneous treatment effects (HTE) estimates how the causal effect of a treatment varies across subgroups or individual covariate values. By combining an outcome model and a propensity score model, it retains consistency if either model is correctly specified, and supports flexible machine learning nuisance estimators through cross-fitting to produce valid conditional average treatment effect (CATE) estimates.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Doubly Robust Estimation of Heterogeneous Treatment Effects

Taksonominen metoditietue · regression-model / causal-inference

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

Same method familyDoubly Robust Estimationmachine-suggested · Relational suggestion, not evidence.Same method familyInverse Probability Weightingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented doubly robust estimationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMarginal Structural Modelmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketPropensity Score Weightingmachine-suggested · Relational suggestion, not evidence.