Estymacja bayesowska podwójnie odporna
Estymacja bayesowska podwójnie odporna (Bayesian Doubly Robust Estimation) łączy klasyczne ramy ważenia odwrotnością prawdopodobieństwa (doubly robust, DR) z wnioskowaniem bayesowskim. Jednocześnie modeluje wynik skłonności (propensity score) i regresję wyniku (outcome regression), przypisując im rozkłady a priori, i wyprowadza rozkład a posteriori efektu średniego leczenia, który pozostaje spójny nawet przy błędnej specyfikacji jednego z dwóch modeli składowych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Bang, H., & Robins, J. M. (2005). Doubly robust estimation in missing data and causal inference models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
- Scharfstein, D., Nabi, R., Kennedy, E. H., Huang, M.-Y., Bonvini, M., & Smid, M. (2021). Semiparametric sensitivity analysis: Unmeasured confounding in observational studies. arXiv:1910.14694. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Doubly Robust Estimation of Average Treatment Effects. ScholarGate. https://scholargate.app/pl/causal-inference/bayesian-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.
- Bayesowska analiza wpływu przyczynowegoWnioskowanie przyczynowe↔ compare
- Bayesian Propensity Score MatchingWnioskowanie przyczynowe↔ compare
- Estymacja podwójnie odporna (AIPW)Wnioskowanie przyczynowe↔ compare
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ compare
- Model strukturalny brzegowy (MSM)Wnioskowanie przyczynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →