Ar mašīnmācīšanos papildināts marginālais strukturālais modelis (ML-MSM)
Ar mašīnmācīšanos papildinātais marginālais strukturālais modelis apvieno Robins et al. MSM ietvara cēloņsakarību stingrību ar elastīgiem, datu adaptīviem ML algoritmiem noslieces rādītāju un iznākuma modeļu novērtēšanai. Aizstājot parametriskos traucējošos modeļus ar ansambļa mācīšanās algoritmiem vai neironu tīkliem, ML-MSM iegūst derīgus cēloņsakarību novērtējumus apgrūtinošos apstākļos, nepaļaujoties uz pareizi specificētām parametriskām formām.
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
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-marginal-structural-model
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
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ compare
- Mašīnmācīšanās palīdzības divkārši robusta novērtēšana (ML-DR)Cēloņsakarību secināšana↔ compare
- Marginal Structural Model (MSM)Cēloņsakarību secināšana↔ compare
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →