Machine Learning-Augmented Entropy Balancing
Machine learning-augmented entropy balancing (ML-EB) combineert de entropy balancing herwegingsschema van Hainmueller met een machine learning-uitkomstmodel om een dubbel robuuste causale schatter te produceren. Door gezamenlijk covariatenbalanswichten en een flexibele voorspelde-uitkomstcorrectie te optimaliseren, levert ML-EB consistente schattingen van behandelingseffecten, zelfs wanneer de weging of het uitkomstmodel verkeerd gespecificeerd is, en het kan omgaan met hoog-dimensionale covariatenruimtes die klassieke entropy balancing niet gemakkelijk kan balanceren.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/nl/causal-inference/machine-learning-augmented-entropy-balancing
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
- EntropiebalanceringCausale inferentie↔ vergelijken
- Inverse Probability of Treatment Weighting (IPW / IPTW)Causale inferentie↔ vergelijken
- Propensity Score MatchingOnderzoeksstatistiek↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →