Estymacja podwójnie odporna (DR) w badaniach edukacyjnych
Estymacja podwójnie odporna (DR) to semiparametryczne podejście do wnioskowania przyczynowego, które łączy model regresji wyników z modelem skłonności do otrzymania interwencji. W badaniach edukacyjnych jest stosowana do szacowania przyczynowego wpływu programów, interwencji lub polityk edukacyjnych na wyniki uczniów, gdy przypisanie do interwencji nie jest losowe, ale obserwowane zmienne współwystępujące mogą uwzględniać błąd selekcji. Estymator jest zgodny, jeśli przynajmniej jeden – niekoniecznie oba – z dwóch modeli składowych jest poprawnie określony.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
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 ↗
- Karim, M. E., Petkau, J., Gustafson, P., Tremlett, H., & BeAMS Study Group. (2018). Comparison of statistical approaches dealing with time-dependent confounding in drug effectiveness studies. Statistical Methods in Medical Research, 27(6), 1709-1722. DOI: 10.1177/0962280216668554 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Doubly Robust Estimation Applied to Education Research. ScholarGate. https://scholargate.app/pl/causal-inference/doubly-robust-estimation-in-education-research
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Metoda różnic w różnicach (Diff-in-Diff)Ekonometria↔ porównaj
- Estymacja podwójnie odporna (AIPW)Wnioskowanie przyczynowe↔ porównaj
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ porównaj
- Model strukturalny brzegowy (MSM)Wnioskowanie przyczynowe↔ porównaj
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ porównaj
- Ważenie z wykorzystaniem wyniku skłonności (PSW / IPW)Wnioskowanie przyczynowe↔ porównaj
Similar methods
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →