방법 증거 기록

Machine Learning-Augmented Marginal Structural Model

The machine learning-augmented marginal structural model combines the causal rigour of Robins et al.'s MSM framework with flexible, data-adaptive ML algorithms for estimating propensity scores and outcome models. By replacing parametric nuisance models with ensemble learners or neural networks, ML-MSMs recover valid causal estimates under confounding without relying on correctly specified parametric forms.

Sources recorded, not reviewed

원본 기록

방법의 원본 기록에서 그대로 복사된 인용입니다. 이로부터 수준별 검증이 추론되지 않습니다.

Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation

분류학적 방법 기록 · regression-model / causal-inference

전체 방법 열기

큐레이션된 주장

각각 자체 평가와 함께 증거 원장에 유지된 주장입니다.

아직 큐레이션된 주장이 없습니다

원장에 주장 평가가 없는 경우 이 보기에서는 주장 평가를 만들지 않습니다.

관련 방법

방법 그래프에서 생성되었으며 기계가 제안한 관계로 표시됩니다 — 증거 주장이 추론되지 않습니다.

Same method familyDoubly Robust Estimationmachine-suggested · Relational suggestion, not evidence.Same method familyInverse Probability Weightingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine learning-augmented doubly robust estimationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMarginal Structural Modelmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketPropensity Score Weightingmachine-suggested · Relational suggestion, not evidence.