Ponderação por Escore de Propensão Aumentada por Machine Learning
A ponderação por escore de propensão aumentada por machine learning (ML-PSW) substitui a regressão logística por algoritmos flexíveis de ML — como gradient boosting, LASSO ou random forests — para estimar o escore de propensão, e então utiliza pesos de probabilidade inversa para balancear os grupos de tratamento e controle. Isso reduz o viés de má especificação do modelo quando a verdadeira relação entre covariáveis e atribuição de tratamento é complexa ou de alta dimensionalidade.
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
- 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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
Como citar esta página
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/pt/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- Diferenças em Diferenças (DiD)Econometria↔ comparar
- Estimativa Duplamente Robusta (AIPW)Inferência causal↔ comparar
- Ponderação pela Probabilidade Inversa de Tratamento (IPW / IPTW)Inferência causal↔ comparar
- Pareamento por Escore de Propensão Aumentado por Aprendizado de MáquinaInferência causal↔ comparar
- Ponderação por Escore de Propensão (PEP / IPW)Inferência causal↔ comparar
Encontrou um problema nesta página? Relate ou sugira uma correção →