Mašīnmācīšanās papildināta entropijas balansēšana
Mašīnmācīšanās papildināta entropijas balansēšana (ML-EB) apvieno Hainmueller entropijas balansēšanas pārsvarošanas shēmu ar mašīnmācīšanās rezultātu modeli, lai iegūtu divkārši robustu cēloņsakarību novērtētāju. Kopīgi optimizējot kovariātu balansēšanas svarus un elastīgu prognozēto rezultātu korekciju, ML-EB nodrošina konsekventus ārstēšanas efekta novērtējumus pat tad, ja svēršanas vai rezultātu modelis ir nepareizi specificēts, un tas apstrādā augstas dimensijas kovariātu telpas, kuras klasiskā entropijas balansēšana nevar viegli balansēt.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-entropy-balancing
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.
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ compare
- Entropijas balansēšanaCēloņsakarību secināšana↔ compare
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ compare
- Propensity Score MatchingPētniecības statistika↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →