Regression modelQuasi-experimental / causal inference
機械学習拡張プロペンシティスコアマッチング
機械学習拡張プロペンシティスコアマッチング（ML-PSM）は、プロペンシティスコアの推定に用いられる従来のロジスティック回帰を、勾配ブーステッドツリー、ランダムフォレスト、LASSOなどの柔軟な機械学習アルゴリズムに置き換えることで、共変量間の複雑で非線形な関係性をより良く捉えます。その結果得られるより豊かなプロペンシティスコアは、共変量のバランスを改善し、処置群における平均処置効果（ATT）の推定バイアスを低減します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- McCaffrey, D. F., Ridgeway, G., & Morral, A. R. (2004). Propensity score estimation with boosted regression for evaluating causal effects in observational studies. Psychological Methods, 9(4), 403-425. DOI: 10.1037/1082-989X.9.4.403 ↗
- Westreich, D., Lessler, J., & Funk, M. J. (2010). Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression. Journal of Clinical Epidemiology, 63(8), 826-833. DOI: 10.1016/j.jclinepi.2009.11.020 ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/ja/causal-inference/machine-learning-augmented-propensity-score-matching
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- 粗化完全マッチング（CEM）因果推論↔ 比較
- 二重に頑健な推定量（AIPW）因果推論↔ 比較
- エントロピー・バランシング因果推論↔ 比較
- 機械学習拡張二重頑健推定量 (ML-DR)因果推論↔ 比較
- 傾向スコアマッチング研究統計↔ 比較
- 傾向スコア重み付け（PSW / IPW）因果推論↔ 比較