Maskinlærings-augmentert entropibalanse
Maskinlærings-augmentert entropibalanse (ML-EB) kombinerer Hainmuellers entropibalanse-omvekting med en maskinlæringsmodell for utfall for å produsere en dobbelt-robust kausal estimator. Ved å felles optimalisere kovariatbalansevekter og en fleksibel predikert-utfalljustering, leverer ML-EB konsistente estimater av behandlingseffekter selv når enten vektingen eller utfallsmodellen er feilspesifisert, og den håndterer høy-dimensjonale kovariatrom som klassisk entropibalanse ikke lett kan balansere.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/no/causal-inference/machine-learning-augmented-entropy-balancing
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Dobbel robust estimering (AIPW)Kausal inferens↔ sammenlign
- Entropy BalancingKausal inferens↔ sammenlign
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausal inferens↔ sammenlign
- Propensity Score MatchingForskningsstatistikk↔ sammenlign
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →