Mašinsko učenje-augmentovano ponderisanje rezultata sklonosti
Mašinsko učenje-augmentovano ponderisanje rezultata sklonosti (ML-PSW) zamenjuje logističku regresiju fleksibilnim ML algoritmima — kao što su gradijentno pojačavanje, LASSO ili slučajne šume — za procenu rezultata sklonosti, a zatim koristi inverzne verovatnoće ponderisanja za balansiranje tretiranih i kontrolnih grupa. Ovo smanjuje pristrasnost pogrešne specifikacije modela kada je stvarni odnos između kovarijata i dodeljivanja tretmana složen ili visokodimenzionalan.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/sr/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- Razlika u razlikama (Diff-in-Diff)Ekonometrija↔ compare
- Izračunavanje dvostruke robustnosti (AIPW)Kauzalno zaključivanje↔ compare
- Metoda inverzne verovatnoće tretmana (IPW / IPTW)Kauzalno zaključivanje↔ compare
- Mašinsko učenje-augmentovano uparivanje rezultata sklonostiKauzalno zaključivanje↔ compare
- Metoda ponderisanja rezultata sklonosti (PSW / IPW)Kauzalno zaključivanje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →