Równoważenie entropii wspomagane uczeniem maszynowym
Równoważenie entropii wspomagane uczeniem maszynowym (ML-EB) łączy schemat ponownego ważenia Hainmuellera oparty na równoważeniu entropii z modelem wyników opartym na uczeniu maszynowym, aby uzyskać podwójnie odporny estymator przyczynowy. Poprzez wspólne optymalizowanie wag równowagi kowariancji i elastycznego dopasowania przewidywanych wyników, ML-EB dostarcza spójne oszacowania efektu leczenia, nawet jeśli model ważenia lub model wyników jest błędnie specyfikowany, i radzi sobie z przestrzeniami kowariancji o wysokiej wymiarowości, których klasyczne równoważenie entropii nie jest w stanie łatwo zrównoważyć.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-entropy-balancing
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.
- Estymacja podwójnie odporna (AIPW)Wnioskowanie przyczynowe↔ compare
- Entropy BalancingWnioskowanie przyczynowe↔ compare
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ compare
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →