Dwukrotnie odporna estymacja heterogenicznych efektów przyczynowych
Dwukrotnie odporna estymacja heterogenicznych efektów przyczynowych (HTE) szacuje, jak przyczynowy efekt interwencji różni się w zależności od podgrup lub indywidualnych wartości kowariant. Łącząc model wyniku i model wyniku skłonności, zachowuje spójność, jeśli którykolwiek z modeli jest poprawnie określony, i obsługuje elastyczne estymatory uciążliwe uczenia maszynowego poprzez krzyżowe dopasowanie w celu uzyskania prawidłowych oszacowań warunkowego średniego efektu przyczynowego (CATE).
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/pl/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Estymacja podwójnie odporna (AIPW)Wnioskowanie przyczynowe↔ porównaj
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ porównaj
- Estymacja podwójnie odporna wspomagana uczeniem maszynowym (ML-DR)Wnioskowanie przyczynowe↔ porównaj
- Model strukturalny brzegowy (MSM)Wnioskowanie przyczynowe↔ porównaj
- Ważenie z wykorzystaniem wyniku skłonności (PSW / IPW)Wnioskowanie przyczynowe↔ porównaj
Similar methods
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →