Mašīnmācīšanās papildinātā apgrieztās varbūtības svēršana (ML-IPW)
Mašīnmācīšanās papildinātā apgrieztās varbūtības svēršana aizstāj parametrisko loģistisko regresiju ar elastīgiem ML algoritmiem, lai novērtētu ārstēšanas tieksmes rādītājus, un pēc tam pārsver paraugu, lai līdzsvarotu apstrādātās un kontroles vienības. Izmantojot datu adaptīvus mācīšanās algoritmus, piemēram, lasso, nejaušos mežus vai gradienta pastiprināšanu, ML-IPW kontrolē augstas dimensijas un nelineārus jaucējfaktorus, kurus klasiskā IPW neievēro, vienlaikus saglabājot intuitīvo svēršanas ietvaru.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-inverse-probability-weighting
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
- Mašīnmācīšanās papildinātā tendenču rezultātu saskaņošanaCēloņsakarību secināšana↔ salīdzināt
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →