Uzupełniony o uczenie maszynowe marginalny model strukturalny (ML-MSM)
Uzupełniony o uczenie maszynowe marginalny model strukturalny łączy rygor przyczynowości ram Robinsa i wsp. z elastycznymi, adaptacyjnymi do danych algorytmami uczenia maszynowego do estymacji wyników skłonności i modeli wyników. Zastępując parametryczne modele zakłóceń przez zespołowe uczące się algorytmy lub sieci neuronowe, ML-MSM odtwarzają poprawne oszacowania przyczynowości przy zakłóceniach, nie polegając na poprawnie określonych formach parametrycznych.
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
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/pl/causal-inference/machine-learning-augmented-marginal-structural-model
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
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ compare
- Estymacja podwójnie odporna wspomagana uczeniem maszynowym (ML-DR)Wnioskowanie przyczynowe↔ compare
- Model strukturalny brzegowy (MSM)Wnioskowanie przyczynowe↔ compare
- Ważenie z wykorzystaniem wyniku skłonności (PSW / IPW)Wnioskowanie przyczynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →