Regression modelQuasi-experimental / causal inference
기계 학습 증강 성향 점수 매칭
기계 학습 증강 성향 점수 매칭(ML-PSM)은 성향 점수를 추정하는 데 사용되는 전통적인 로지스틱 회귀를 유연한 기계 학습 알고리즘(예: 그래디언트 부스팅 트리, 랜덤 포레스트 또는 LASSO)으로 대체하여 공변량 간의 복잡하고 비선형적인 관계를 더 잘 포착합니다. 결과적으로 얻어지는 더 풍부한 성향 점수는 공변량 균형을 개선하고 처리된 대상에 대한 평균 처리 효과(ATT) 추정치의 편향을 줄입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-propensity-score-matching
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.
- Coarsened Exact Matching (CEM)인과추론↔ compare
- 이중 강건 추정 (AIPW)인과추론↔ compare
- 엔트로피 균형인과추론↔ compare
- 기계 학습 증강 이중 강건 추정 (ML-DR)인과추론↔ compare
- 성향 점수 매칭연구 통계↔ compare
- 성향 점수 가중치 (PSW / IPW)인과추론↔ compare