Machine Learning-Augmented Propensity Score Weighting
Machine learning-augmented propensity score weighting (ML-PSW) vervangt logistische regressie door flexibele ML-algoritmen – zoals gradient boosting, LASSO of random forests – om de propensity score te schatten, en gebruikt vervolgens inverse probability weights om behandelde en controlegroepen te balanceren. Dit vermindert model-misspecificatiebias wanneer de ware relatie tussen covariaten en de toewijzing van de behandeling complex of hoog-dimensionaal is.
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
- 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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/nl/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- Difference-in-Differences (DiD)Econometrie↔ vergelijken
- Dubbel Robuuste Schatting (AIPW)Causale inferentie↔ vergelijken
- Inverse Probability of Treatment Weighting (IPW / IPTW)Causale inferentie↔ vergelijken
- Propensity Score Matching aangevuld met Machine LearningCausale inferentie↔ vergelijken
- Propensity Score Weighting (PSW / IPW)Causale inferentie↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →