Regression modelQuasi-experimental / causal inference
기계 학습 증강 역확률 가중치 (ML-IPW)
기계 학습 증강 역확률 가중치(ML-IPW)는 모수적 로지스틱 회귀 대신 유연한 ML 알고리즘을 사용하여 치료 성향 점수를 추정하고, 표본을 재가중하여 치료군과 대조군 단위를 균형 있게 맞춥니다. 라쏘(lasso), 랜덤 포레스트(random forests), 그래디언트 부스팅(gradient boosting)과 같은 데이터 적응형 학습기를 활용함으로써, ML-IPW는 고차원적이고 비선형적인 교란 변수를 제어하여 고전적인 IPW가 놓치는 부분을 보완하는 동시에 직관적인 가중치 프레임워크를 유지합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-inverse-probability-weighting
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 이중 강건 추정 (AIPW)인과추론↔ 비교
- 역확률 가중치 (Inverse Probability Weighting, IPW / IPTW)인과추론↔ 비교
- 기계 학습 증강 이중 강건 추정 (ML-DR)인과추론↔ 비교
- 기계 학습 증강 성향 점수 매칭인과추론↔ 비교
- 성향 점수 가중치 (PSW / IPW)인과추론↔ 비교