Gépi tanulással kiegészített entrópiapontozás
A gépi tanulással kiegészített entrópiapontozás (ML-EB) Hainmueller entrópiapontozási súlyozási sémáját egy gépi tanulási kimeneti modellel kombinálja, hogy kettősen robusztus kauzális becslőt állítson elő. A kovariancia-egyensúlyi súlyok és egy rugalmas prediktált kimeneti kiigazítás együttes optimalizálásával az ML-EB konzisztens kezelési hatás becsléseket biztosít még akkor is, ha a súlyozási vagy a kimeneti modell hibásan specifikált, és képes kezelni a magas dimenziós kovariancia tereket, amelyeket a klasszikus entrópiapontozás nem tud könnyen kiegyensúlyozni.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/hu/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.
- Kettősen robusztus becslés (AIPW)Oksági következtetés↔ compare
- EntrópiapontozásOksági következtetés↔ compare
- Az inverz valószínűségi kezelési súlyozás (IPW / IPTW)Oksági következtetés↔ compare
- Tárgyhajlamossági pontszám illesztésKutatási statisztika↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →