ScholarGate
Asisten
Machine learningCausal ML

Targeted Maximum Likelihood Estimation (TMLE)

Targeted Maximum Likelihood Estimation (TMLE) adalah metode inferensi kausal semiparametrik, *doubly robust* yang diperkenalkan oleh Mark van der Laan dan Daniel Rubin pada tahun 2006. Metode ini menggabungkan model pembelajaran mesin yang fleksibel untuk hasil (*outcome*) dan mekanisme penugasan perlakuan (*treatment assignment*), kemudian menerapkan langkah penargetan yang menyesuaikan kembali model hasil awal secara spesifik untuk mengurangi bias terhadap estiman kausal yang telah ditentukan sebelumnya seperti efek perlakuan rata-rata (*average treatment effect*). TMLE banyak digunakan dalam epidemiologi, biostatistika, dan ekonomi kesehatan ketika mengestimasi efek kausal dari data observasional.

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1). DOI: 10.2202/1557-4679.1043

Cara menyitasi halaman ini

ScholarGate. (2026, June 2). Targeted Maximum Likelihood Estimation (TMLE). ScholarGate. https://scholargate.app/id/causal-inference/targeted-maximum-likelihood

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.

Compare side by side
ScholarGateTargeted Maximum Likelihood Estimation (Targeted Maximum Likelihood Estimation (TMLE)). Diakses 2026-06-15 dari https://scholargate.app/id/causal-inference/targeted-maximum-likelihood · Set data: https://doi.org/10.5281/zenodo.20539026