Équilibrage d'entropie augmenté par apprentissage automatique
L'équilibrage d'entropie augmenté par apprentissage automatique (ML-EB) combine le schéma de repondération de l'équilibrage d'entropie de Hainmueller avec un modèle d'issue basé sur l'apprentissage automatique pour produire un estimateur causal doublement robuste. En optimisant conjointement les poids d'équilibrage des covariables et un ajustement flexible de l'issue prédite, le ML-EB fournit des estimations cohérentes de l'effet du traitement, même lorsque le modèle de pondération ou le modèle d'issue est mal spécifié, et il gère les espaces de covariables de haute dimension que l'équilibrage d'entropie classique ne peut pas facilement équilibrer.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/fr/causal-inference/machine-learning-augmented-entropy-balancing
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.
- Estimation doublement robuste (AIPW)Inférence causale↔ compare
- Équilibrage par entropieInférence causale↔ compare
- Pondération par l'inverse de la probabilité de traitement (IPW / IPTW)Inférence causale↔ compare
- Appariement par score de propensionStatistiques de recherche↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →