Mašīnmācīšanās papildinātā noslieces rādītāja svēršana
Mašīnmācīšanās papildinātā noslieces rādītāja svēršana (ML-PSW) aizstāj loģistisko regresiju ar elastīgiem ML algoritmiem — piemēram, gradienta paātrināšanu, LASSO vai nejaušajiem mežiem — lai novērtētu noslieces rādītāju, un pēc tam izmanto apgrieztās varbūtības svarus, lai līdzsvarotu apstrādātās un kontroles grupas. Tas samazina modeļa nepareizas specifikācijas novirzi, ja patiesā saistība starp kovariātiem un ārstēšanas piešķiršanu ir sarežģīta vai augstas dimensijas.
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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/lv/causal-inference/machine-learning-augmented-propensity-score-weighting
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ salīdzināt
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ salīdzināt
- Apgrieztā varbūtības svēršana (IPW / IPTW)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 →