Maskininlärningsförstärkt entropibalansering
Maskininlärningsförstärkt entropibalansering (ML-EB) kombinerar Hainmuellers entropibalanseringsomviktsschema med en maskininlärningsmodell för utfall för att producera en dubbelt robust kausal estimator. Genom att gemensamt optimera kovariatbalansvikter och en flexibel predikterad-utfalljustering levererar ML-EB konsekventa skattningar av behandlingseffekten även när antingen viktningen eller utfallsmodellen är fel specificerad, och den hanterar högdimensionella kovariatutrymmen som klassisk entropibalansering inte enkelt kan balansera.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-entropy-balancing
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.
- Dubbelt robust skattning (AIPW)Kausal inferens↔ compare
- EntropibalanseringKausal inferens↔ compare
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ compare
- Propensity score-matchningForskningsstatistik↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →