Stima a doppia robustezza dell'effetto eterogeneo del trattamento
La stima a doppia robustezza degli effetti eterogenei del trattamento (HTE) stima come l'effetto causale di un trattamento varia tra sottogruppi o valori di covariate individuali. Combinando un modello di esito e un modello di punteggio di propensione, mantiene la consistenza se uno dei due modelli è specificato correttamente e supporta stimatori di disturbo flessibili di machine learning attraverso il cross-fitting per produrre stime valide del trattamento medio condizionale (CATE).
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- Kennedy, E. H. (2023). Towards optimal doubly robust estimation of heterogeneous causal effects. Electronic Journal of Statistics, 17(2), 3008-3049. DOI: 10.1214/23-EJS2157 ↗
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/it/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Stima a Doppia Robustezza (AIPW)Inferenza causale↔ confronta
- Inverse Probability of Treatment Weighting (IPW / IPTW)Inferenza causale↔ confronta
- Stima a doppia robustezza aumentata con machine learning (ML-DR)Inferenza causale↔ confronta
- Modello Strutturale Marginale (MSM)Inferenza causale↔ confronta
- Ponderazione basata sul punteggio di propensione (PSW / IPW)Inferenza causale↔ confronta
Similar methods
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →