Balansiranje entropije prošireno mašinskim učenjem
Balansiranje entropije prošireno mašinskim učenjem (ML-EB) kombinuje Hainmuellerovu šemu ponovnog ponderisanja balansiranja entropije sa modelom ishoda mašinskog učenja kako bi se dobio dvostruko robustan kauzalni estimator. Zajedničkim optimizovanjem težina za balansiranje kovarijata i fleksibilnog prilagođavanja predviđenog ishoda, ML-EB pruža konzistentne procene efekta tretmana čak i kada je model ponderisanja ili model ishoda pogrešno specificiran, i obrađuje visokodimenzionalne prostore kovarijata koje klasično balansiranje entropije ne može lako da balansira.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Mapa metoda
Okruženje srodnih metoda — izaberite čvor da biste istraživali.
Izvori
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/sr/causal-inference/machine-learning-augmented-entropy-balancing
Koja metoda?
Postavite ovu metodu pored njoj najbližih srodnika i čitajte ih uporedo — biblioteka polaže knjige na sto; izbor je na vama.
- Izračunavanje dvostruke robustnosti (AIPW)Kauzalno zaključivanje↔ uporedi
- Balansiranje entropijomKauzalno zaključivanje↔ uporedi
- Metoda inverzne verovatnoće tretmana (IPW / IPTW)Kauzalno zaključivanje↔ uporedi
- Uskladiivanje rezultata sklonostiIstraživačka statistika↔ uporedi
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →