Machine Learning-Augmented Marginal Structural Model (ML-MSM)
Het machine learning-geaugmenteerde marginale structurele model combineert de causale strengheid van het MSM-raamwerk van Robins et al. met flexibele, data-adaptieve ML-algoritmen voor het schatten van propensity scores en uitkomstmodellen. Door parametrische nuisance-modellen te vervangen door ensemble-learners of neurale netwerken, herstellen ML-MSM's valide causale schattingen onder confounding zonder te vertrouwen op correct gespecificeerde parametrische vormen.
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
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/nl/causal-inference/machine-learning-augmented-marginal-structural-model
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
Een fout op deze pagina gezien? Meld het of stel een correctie voor →