Policy Evaluation Doubly Robust Estimation
Policy Evaluation Doubly Robust Estimation tillämpar den dubbelt robusta (DR) estimatorn för att bedöma den kausala effekten av en offentlig policy eller ett program. Den kombinerar en modell för behandlingsfördelning (propensity score) med en modell för utfallsvariabeln, och kräver endast att en av de två modellerna är korrekt specificerad för att ge en konsekvent skattning av den genomsnittliga behandlingseffekten, vilket gör den till ett resilient verktyg för programutvärdering.
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
- 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 ↗
- Robins, J. M., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Doubly Robust Estimation for Policy Evaluation. ScholarGate. https://scholargate.app/sv/causal-inference/policy-evaluation-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.
- Dubbelt robust skattning (AIPW)Kausal inferens↔ jämför
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ jämför
- Marginal Structural Model (MSM)Kausal inferens↔ jämför
- Policy evaluation propensity score matchingKausal inferens↔ jämför
- Propensitetspoängsviktning (PSW / IPW)Kausal inferens↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →