Maskininlärningsförstärkt propensity score-vägning
Maskininlärningsförstärkt propensity score-vägning (ML-PSW) ersätter logistisk regression med flexibla ML-algoritmer — såsom gradient boosting, LASSO eller random forests — för att estimera propensity score, och använder sedan invers sannolikhetsvägning för att balansera behandlings- och kontrollgrupper. Detta minskar bias från modellmisspecifikation när det sanna sambandet mellan kovariater och behandlingsallokering är komplext eller högdimensionellt.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/sv/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- Differens-i-differens (DiD)Ekonometri↔ jämför
- Dubbelt robust skattning (AIPW)Kausal inferens↔ jämför
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ jämför
- Maskininlärningsförstärkt propensity score-matchningKausal inferens↔ jämför
- Propensitetspoängsviktning (PSW / IPW)Kausal inferens↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →