Heterogēno ārstēšanas efektu divkārši robusta novērtēšana
Divkārši robusta heterogēno ārstēšanas efektu novērtēšana ļauj aplēst, kā ārstēšanas cēloniskais efekts mainās dažādās apakšgrupās vai atkarībā no individuālajām kovariātu vērtībām. Apvienojot rezultātu modeli un divas neuzraudzības funkcijas, metode panāk daudz lielāku stabilas secinājumu spēju nekā viena neuzraudzības funkcija viena.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Kennedy, E. H. (2023). Towards optimal doubly robust estimation of heterogeneous causal effects. Electronic Journal of Statistics, 17(2), 3008-3049. DOI: 10.1214/23-EJS2157 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/lv/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ salīdzināt
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ salīdzināt
- Mašīnmācīšanās palīdzības divkārši robusta novērtēšana (ML-DR)Cēloņsakarību secināšana↔ salīdzināt
- Marginal Structural Model (MSM)Cēloņsakarību secināšana↔ salīdzināt
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ salīdzināt
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →