Dubbelt robust skattning (AIPW)
Dubbelt robust skattning, även kallad Augmented Inverse Probability Weighting (AIPW), är en semiparametrisk metod för att skatta kausala behandlingseffekter som kombinerar en utfallsregressionsmodell med en propensitetsmodell (behandlingsmodell). Metoden utvecklades i arbeten av Robins & Rotnitzky (1995) och Bang & Robins (2005), och förblir konsistent så länge minst en av de två modellerna är korrekt specificerad.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
+50 till
Källor
- Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129. DOI: 10.1080/01621459.1995.10476494 ↗
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation. ScholarGate. https://scholargate.app/sv/causal-inference/doubly-robust-estimation
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Kausal medieringsanalys (naturliga direkta och indirekta effekter)Kausal inferens↔ jämför
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ jämför
- Logistisk regressionForskningsstatistik↔ jämför
- Vanligaste minsta kvadratmetoden (OLS) RegressionEkonometri↔ jämför
- Propensity score-matchningForskningsstatistik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →