ScholarGate
Asistenti
Regression modelQuasi-experimental / causal inference

Pesha e rezultatit të prirjes e zgjeruar me mësim makinerie

Pesha e rezultatit të prirjes e zgjeruar me mësim makinerie (ML-PSW) zëvendëson regresionin logjistik me algoritme fleksibël të mësimit makinerik – siç janë gradient boosting, LASSO, ose pyjet e rastësishëm – për të vlerësuar rezultatin e prirjes, dhe më pas përdor peshat e probabilitetit të anasjelltë për të balancuar grupet e trajtuara dhe të kontrollit. Kjo redukton anshmërinë e specifikimit të gabuar të modelit kur marrëdhënia e vërtetë midis kovariatëve dhe caktimit të trajtimit është komplekse ose me dimensione të larta.

Hapeni në MethodMindSë shpejtiVideoSë shpejtiShkarko diapozitivat

Lexoni metodën e plotë

Vetëm për anëtarët

Hyni me një llogari falas për ta lexuar këtë seksion.

Hyni

Harta e metodave

Lagjja e metodave të lidhura — zgjidhni një nyje për të eksploruar.

Burimet

  1. 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
  2. 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

Si ta citoni këtë faqe

ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/sq/causal-inference/machine-learning-augmented-propensity-score-weighting

Cila metodë?

Vendoseni këtë metodë pranë të afërmeve të saj më të ngushta dhe lexojini krah për krah — biblioteka i shtron librat mbi tryezë; zgjedhja është e juaja.

Krahasoni krah për krah
ScholarGateMachine learning-augmented propensity score weighting (Machine Learning-Augmented Propensity Score Weighting). Marrë më 2026-06-15 nga https://scholargate.app/sq/causal-inference/machine-learning-augmented-propensity-score-weighting · Seti i të dhënave: https://doi.org/10.5281/zenodo.20539026