Methodenbewijsdossier

Machine learning-augmented doubly robust estimation

Machine learning-augmented doubly robust (ML-DR) estimation combines the classical doubly robust (AIPW) identification strategy with flexible machine learning models for the nuisance functions — the propensity score and the outcome regression. The result is a causal estimator that is consistent if either ML component is correctly specified, and that achieves valid, root-n inference even when the nuisance models are estimated with high-dimensional regularisation or nonparametric learners.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Machine Learning-Augmented Doubly Robust Estimation

Taxonomisch methodendossier · regression-model / causal-inference

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.Same method familyDoubly Robust Estimationmachine-suggested · Relational suggestion, not evidence.Same method familyInverse Probability Weightingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMachine Learning-Augmented Propensity Score Matchingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketMarginal Structural Modelmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketPropensity Score Weightingmachine-suggested · Relational suggestion, not evidence.