Pengimbangan Entropi Diperkukuh Pembelajaran Mesin
Pengimbangan entropi diperkukuh pembelajaran mesin (ML-EB) menggabungkan skema pemberatan semula pengimbangan entropi Hainmueller dengan model hasil pembelajaran mesin untuk menghasilkan penganggar kausal dwi-teguh. Dengan mengoptimumkan secara bersama wajaran imbangan kovariat dan pelarasan hasil ramalan yang fleksibel, ML-EB memberikan anggaran kesan rawatan yang konsisten walaupun salah satu model pemberatan atau model hasil tersalah spesifikasi, dan ia mengendalikan ruang kovariat berdimensi tinggi yang tidak dapat diimbangkan dengan mudah oleh pengimbangan entropi klasik.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/ms/causal-inference/machine-learning-augmented-entropy-balancing
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.
- Anggaran Keboleh-Teguhan Berganda (AIPW)Inferens Kausal↔ compare
- Pengimbangan EntropiInferens Kausal↔ compare
- Penimbang Kebarangkalian Songsang (IPW / IPTW)Inferens Kausal↔ compare
- Padanan Skor KecenderunganStatistik Penyelidikan↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →