Divu robota novērtējums politikas novērtēšanā
Divu robota novērtējums politikas novērtēšanā (angļu: Policy Evaluation Doubly Robust Estimation) ir novērtētājs, kas izmanto divkārši roboto (DR) novērtētāju, lai novērtētu sabiedriskās politikas vai programmas cēloņsakarību efektu. Tas apvieno ārstēšanas piešķiršanas modeli (noslieces rādītāju) ar iznākuma modeli, un, lai iegūtu vidējā ārstēšanas efekta konsekventu novērtējumu, ir nepieciešams tikai viens no diviem modeļiem, kas ir pareizi specifikēts, padarot to par noturīgu rīku programmu novērtēšanai.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Bang, H., & Robins, J. M. (2005). Doubly robust estimation in missing data and causal inference models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
- Robins, J. M., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Doubly Robust Estimation for Policy Evaluation. ScholarGate. https://scholargate.app/lv/causal-inference/policy-evaluation-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
- Marginal Structural Model (MSM)Cēloņsakarību secināšana↔ salīdzināt
- Politikas novērtēšana ar tendenču rezultātu saskaņošanuCēloņsakarību secināšana↔ salīdzināt
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →