Mērķtiecīga maksimālās visticamības novērtēšana (TMLE)
Mērķtiecīga maksimālās visticamības novērtēšana (TMLE) ir semiparametriska, dubulti robusta cēloņsakarību inferences metode, ko 2006. gadā ieviesa Marks van der Laans un Daniels Rubins. Tā apvieno elastīgus mašīnmācīšanās modeļus gan iznākumam, gan ārstēšanas piešķiršanas mehānismam, pēc tam piemēro mērķtiecīgu soli, kas atkārtoti pielāgo sākotnējo iznākuma modeli, lai īpaši samazinātu novirzi attiecībā uz iepriekš noteiktu cēloņsakarību novērtējumu, piemēram, vidējo ārstēšanas efektu. TMLE plaši izmanto epidemioloģijā, biostatistikā un veselības ekonomikas pētījumos, novērtējot cēloņsakarību efektus no novērojumu datiem.
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
- van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1). DOI: 10.2202/1557-4679.1043 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Targeted Maximum Likelihood Estimation (TMLE). ScholarGate. https://scholargate.app/lv/causal-inference/targeted-maximum-likelihood
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.
- Dubultā mašīnmācīšanāsCēloņsakarību secināšana↔ compare
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ compare
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →