Telpiskā divkārtīgi robustā estimācija
Telpiskā divkārtīgi robustā estimācija ir semiparametriska cēloņsakarību inferenču metode, kas apvieno tendenču rādītāju svēršanu ar rezultātu regresijas modelēšanu — nodrošinot aizsardzību pret jebkura komponenta nepareizu specifikāciju — vienlaikus skaidri ņemot vērā vienību telpisko autokorelāciju. Tā paplašina klasisko papildināto apgriezto varbūtības svēršanas (AIPW) estīmuātoru situācijām, kurās ārstēšanas piešķiršana un rezultāti ir ģeogrāfiski grupēti vai telpiski atkarīgi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Papadogeorgou, G., Mealli, F., & Zigler, C. M. (2019). Causal inference with interfering units for cluster and population level treatment allocation programs. Biometrics, 75(3), 778-787. DOI: 10.1111/biom.13049 ↗
- Kennedy, E. H. (2016). Semiparametric theory and empirical processes in causal inference. In H. He, P. Wu, & D.-G. Chen (Eds.), Statistical Causal Inferences and Their Applications in Public Health Research (pp. 141-167). Springer. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Spatial Doubly Robust Causal Estimation. ScholarGate. https://scholargate.app/lv/causal-inference/spatial-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.
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ salīdzināt
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ salīdzināt
- Ģeogrāfiski svērtā regresija (GWR)Telpiskā analīze↔ salīdzināt
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →