Model Struktural Marginal yang Diperkaya Pembelajaran Mesin (ML-MSM)
Model struktural marginal yang diperkaya pembelajaran mesin menggabungkan ketelitian kausal dari kerangka kerja MSM Robins et al. dengan algoritma ML yang fleksibel dan adaptif terhadap data untuk mengestimasi skor kecenderungan dan model hasil. Dengan mengganti model pengganggu parametrik dengan pembelajar ansambel atau jaringan saraf, ML-MSM memulihkan estimasi kausal yang valid di bawah pengacauan tanpa bergantung pada bentuk parametrik yang ditentukan dengan benar.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/id/causal-inference/machine-learning-augmented-marginal-structural-model
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Estimasi Robust Ganda (AIPW)Inferensi Kausal↔ bandingkan
- Bobot Probabilitas Invers (IPW / IPTW)Inferensi Kausal↔ bandingkan
- Estimasi Robust Ganda yang Diperkuat Pembelajaran Mesin (ML-DR)Inferensi Kausal↔ bandingkan
- Model Struktural Marginal (MSM)Inferensi Kausal↔ bandingkan
- Pembobotan Skor Propensitas (PSW / IPW)Inferensi Kausal↔ bandingkan
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →