Dubbel robuuste schatting van heterogene behandelingseffecten
Dubbel robuuste schatting van heterogene behandelingseffecten (HTE) schat hoe het causale effect van een behandeling varieert over subgroepen of individuele covariaatwaarden. Door een uitkomstmodel en een propensity score-model te combineren, behoudt het consistentie als een van beide modellen correct is gespecificeerd, en ondersteunt het flexibele machine learning nuisance-schatters door middel van cross-fitting om geldige schattingen van het conditionele gemiddelde behandelingseffect (CATE) te produceren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- Kennedy, E. H. (2023). Towards optimal doubly robust estimation of heterogeneous causal effects. Electronic Journal of Statistics, 17(2), 3008-3049. DOI: 10.1214/23-EJS2157 ↗
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/nl/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Dubbel Robuuste Schatting (AIPW)Causale inferentie↔ vergelijken
- Inverse Probability of Treatment Weighting (IPW / IPTW)Causale inferentie↔ vergelijken
- Machine Learning-Augmented Doubly Robust Estimation (ML-DR)Causale inferentie↔ vergelijken
- Marginaal Structureel Model (MSM)Causale inferentie↔ vergelijken
- Propensity Score Weighting (PSW / IPW)Causale inferentie↔ vergelijken
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →