Estimativa Duplamente Robusta de Efeito de Tratamento Heterogêneo
A estimação duplamente robusta de efeitos de tratamento heterogêneos (ET H) estima como o efeito causal de um tratamento varia entre subgrupos ou valores de covariáveis individuais. Ao combinar um modelo de resultado e um modelo de escore de propensão, ela mantém a consistência se qualquer um dos modelos for corretamente especificado e suporta estimadores de funções de incômodo de aprendizado de máquina flexíveis através de ajuste cruzado para produzir estimativas válidas do efeito médio de tratamento condicional (ETC).
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Doubly Robust Estimation of Heterogeneous Treatment Effects. ScholarGate. https://scholargate.app/pt/causal-inference/heterogeneous-treatment-effect-doubly-robust-estimation
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Estimativa Duplamente Robusta (AIPW)Inferência causal↔ comparar
- Ponderação pela Probabilidade Inversa de Tratamento (IPW / IPTW)Inferência causal↔ comparar
- Estimativa Duplamente Robusta Aumentada por Aprendizado de Máquina (ML-DR)Inferência causal↔ comparar
- Modelo Estrutural Marginal (MSM)Inferência causal↔ comparar
- Ponderação por Escore de Propensão (PEP / IPW)Inferência causal↔ comparar
Similar methods
Encontrou um problema nesta página? Relate ou sugira uma correção →