Estimation doublement robuste pour l'évaluation des politiques
L'estimation doublement robuste (DR) applique l'estimateur doublement robuste pour évaluer l'effet causal d'une politique ou d'un programme public. Elle combine un modèle d'assignation du traitement (score de propension) avec un modèle du résultat, et ne requiert qu'un seul des deux modèles pour être correctement spécifié afin de produire une estimation cohérente de l'effet moyen du traitement, ce qui en fait un outil résilient pour l'évaluation des programmes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Bang, H., & Robins, J. M. (2005). Doubly robust estimation in missing data and causal inference models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
- Robins, J. M., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Doubly Robust Estimation for Policy Evaluation. ScholarGate. https://scholargate.app/fr/causal-inference/policy-evaluation-doubly-robust-estimation
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Estimation doublement robuste (AIPW)Inférence causale↔ comparer
- Pondération par l'inverse de la probabilité de traitement (IPW / IPTW)Inférence causale↔ comparer
- Modèle structurel marginal (MSM)Inférence causale↔ comparer
- Évaluation de politiques par appariement sur score de propensionInférence causale↔ comparer
- Pondération par score de propension (PSP / IPW)Inférence causale↔ comparer
Une erreur sur cette page ? Signalez-la ou proposez une correction →