Zastosowanie uczenia maszynowego w ważeniu odwrotności prawdopodobieństwa (ML-IPW)

Zastosowanie uczenia maszynowego w ważeniu odwrotności prawdopodobieństwa (ML-IPW) zastępuje parametryczną regresję logistyczną elastycznymi algorytmami uczenia maszynowego w celu oszacowania wyników skłonności do leczenia, a następnie dokonuje reważenia próby w celu zrównoważenia jednostek leczonych i kontrolnych. Wykorzystując uczących się adaptujących się do danych, takich jak lasso, lasy losowe czy gradient boosting, ML-IPW kontroluje wysokowymiarowe i nieliniowe czynniki zakłócające, które umykają klasycznemu IPW, zachowując jednocześnie intuicyjną strukturę ważenia.