Metodes pierādījumu reģistrs

Machine learning-augmented propensity score weighting

Machine learning-augmented propensity score weighting (ML-PSW) replaces logistic regression with flexible ML algorithms — such as gradient boosting, LASSO, or random forests — to estimate the propensity score, then uses inverse probability weights to balance treated and control groups. This reduces model-misspecification bias when the true relationship between covariates and treatment assignment is complex or high-dimensional.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

Machine Learning-Augmented Propensity Score Weighting

Taksonomiskās metodes reģistrs · regression-model / causal-inference

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.Same method familyDoubly Robust Estimationmachine-suggested · Relational suggestion, not evidence.Same method familyInverse Probability Weightingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine Learning-Augmented Propensity Score Matchingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketPropensity Score Weightingmachine-suggested · Relational suggestion, not evidence.