Bayesiansk dubbelt robust skattning
Bayesiansk dubbelt robust skattning (Bayesian Doubly Robust Estimation, BDR) kombinerar det klassiska dubbelt robusta (DR) ramverket med utökad invers sannolikhetsviktning (augmented inverse probability weighting) med Bayesiansk inferens. Metoden modellerar samtidigt tendenspoängsfunktionen (propensity score) och utfallsprognosmodellen (outcome regression), tilldelar priorfördelningar till båda parametrarna, och härleder en posteriorfördelning för den genomsnittliga behandlingseffekten som förblir konsistent även om en av de två komponentmodellerna är fel specificerad.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Bang, H., & Robins, J. M. (2005). Doubly robust estimation in missing data and causal inference models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
- Scharfstein, D., Nabi, R., Kennedy, E. H., Huang, M.-Y., Bonvini, M., & Smid, M. (2021). Semiparametric sensitivity analysis: Unmeasured confounding in observational studies. arXiv:1910.14694. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Doubly Robust Estimation of Average Treatment Effects. ScholarGate. https://scholargate.app/sv/causal-inference/bayesian-doubly-robust-estimation
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.
- Bayesiansk kausalitetsanalysKausal inferens↔ compare
- Bayesiansk matchning med propensity scoreKausal inferens↔ compare
- Dubbelt robust skattning (AIPW)Kausal inferens↔ compare
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ compare
- Marginal Structural Model (MSM)Kausal inferens↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →