Gépi tanulással kiegészített marginális strukturális modell (ML-MSM)
A gépi tanulással kiegészített marginális strukturális modell (ML-MSM) egyesíti Robins et al. MSM keretrendszerének kauzális szigorúságát a rugalmas, adatvezérelt ML algoritmusokkal az elméleti valószínűségek (propensity scores) és a kimeneti modellek becsléséhez. A paraméteres kényszerítő modellek helyettesítésével ensemble tanulókkal vagy neurális hálókkal, az ML-MSM-ek érvényes kauzális becsléseket állítanak helyre konfúzió (confounding) mellett, anélkül, hogy a helyesen specifikált paraméteres formáktól függnének.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/hu/causal-inference/machine-learning-augmented-marginal-structural-model
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
- Az inverz valószínűségi kezelési súlyozás (IPW / IPTW)Oksági következtetés↔ compare
- Gyakorlati kettős robust becslés gépi tanulással (ML-DR)Oksági következtetés↔ compare
- Marginal Structural Model (MSM)Oksági következtetés↔ compare
- Propensity Score Weighting (PSW / IPW)Oksági következtetés↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →