Regression modelQuasi-experimental / causal inference
머신러닝 강화 성향 점수 가중치
머신러닝 강화 성향 점수 가중치(ML-PSW)는 로지스틱 회귀를 경사 부스팅, LASSO, 랜덤 포레스트와 같은 유연한 ML 알고리즘으로 대체하여 성향 점수를 추정한 다음, 역확률 가중치를 사용하여 처리군과 대조군의 균형을 맞춥니다. 이는 공변량과 처리 할당 간의 실제 관계가 복잡하거나 고차원일 때 모형 오지정 편향을 줄여줍니다.
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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/ko/causal-inference/machine-learning-augmented-propensity-score-weighting
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 이중차분법 (Diff-in-Diff)계량경제학↔ 비교
- 이중 강건 추정 (AIPW)인과추론↔ 비교
- 역확률 가중치 (Inverse Probability Weighting, IPW / IPTW)인과추론↔ 비교
- 기계 학습 증강 성향 점수 매칭인과추론↔ 비교
- 성향 점수 가중치 (PSW / IPW)인과추론↔ 비교