Dobbelt robust estimering av heterogene behandlingseffekter
Dobbelt robust estimering av heterogene behandlingseffekter (HTE) estimerer hvordan kausaleffekten av en behandling varierer på tvers av undergrupper eller individuelle kovariatverdier. Ved å kombinere en utfallsmodell og en propensitetsmodell, opprettholder den konsistens hvis én av modellene er korrekt spesifisert, og støtter fleksible maskinlærings-«nuisance»-estimatorer gjennom kryssvalidering for å produsere gyldige estimater av betinget gjennomsnittlig behandlingseffekt (CATE).
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/no/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Dobbel robust estimering (AIPW)Kausal inferens↔ compare
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausal inferens↔ compare
- Maskinlærings-augmentert dobbelt robust estimering (ML-DR)Kausal inferens↔ compare
- Marginal Structural Model (MSM)Kausal inferens↔ compare
- Propensity Score Weighting (PSW / IPW)Kausal inferens↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →