Kétszeresen robusztus becslés heterogén kezelési hatásokra
A heterogén kezelési hatások (HTE) kétszeresen robusztus becslése azt méri, hogy egy kezelés kauzális hatása hogyan változik különböző alcsoportokban vagy az egyes kovariátusértékek mentén. A kimeneti modell és az esélyhányados-modell kombinálásával akkor is konzisztens becslést ad, ha csak az egyik modell van helyesen specifikálva, és lehetővé teszi rugalmas gépi tanulási ún. zavaró (nuisance) becslők használatát kereszt-illesztéssel (cross-fitting) az érvényes feltételes átlagos kezelési hatás (CATE) becsléséhez.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/hu/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Kettősen robusztus becslés (AIPW)Oksági következtetés↔ összehasonlítás
- Az inverz valószínűségi kezelési súlyozás (IPW / IPTW)Oksági következtetés↔ összehasonlítás
- Gyakorlati kettős robust becslés gépi tanulással (ML-DR)Oksági következtetés↔ összehasonlítás
- Marginal Structural Model (MSM)Oksági következtetés↔ összehasonlítás
- Propensity Score Weighting (PSW / IPW)Oksági következtetés↔ összehasonlítás
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →