Catatan bukti metode

Heterogeneous treatment effect Doubly robust estimation

Doubly robust estimation of heterogeneous treatment effects (HTE) estimates how the causal effect of a treatment varies across subgroups or individual covariate values. By combining an outcome model and a propensity score model, it retains consistency if either model is correctly specified, and supports flexible machine learning nuisance estimators through cross-fitting to produce valid conditional average treatment effect (CATE) estimates.

Sources recorded, not reviewed

Catatan sumber

Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.

Doubly Robust Estimation of Heterogeneous Treatment Effects

Catatan metode taksonomi · regression-model / causal-inference

Buka metode lengkap

Klaim yang dikurasi

Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.

Belum ada klaim yang dikurasi

Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.

Metode terkait

Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.

Same method familyDoubly Robust Estimationmachine-suggested · Relational suggestion, not evidence.Same method familyInverse Probability Weightingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented doubly robust estimationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMarginal Structural Modelmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketPropensity Score Weightingmachine-suggested · Relational suggestion, not evidence.