Targeted Maximum Likelihood Estimation (TMLE)
Targeted Maximum Likelihood Estimation (TMLE) är en semiparametrisk, dubbelrobust metod för kausal inferens som introducerades av Mark van der Laan och Daniel Rubin år 2006. Den kombinerar flexibla maskininlärningsmodeller för både utfall och mekanismen för behandlingsallokering, och tillämpar sedan ett riktningssteg som återanpassar den initiala utfallmodellen specifikt för att minska bias för en fördefinierad kausal estimand, såsom den genomsnittliga behandlingseffekten. TMLE används flitigt inom epidemiologi, biostatistik och hälsoekonomi vid estimering av kausala effekter från observationsdata.
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
- van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1). DOI: 10.2202/1557-4679.1043 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Targeted Maximum Likelihood Estimation (TMLE). ScholarGate. https://scholargate.app/sv/causal-inference/targeted-maximum-likelihood
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.
- Dubbel maskininlärningKausal inferens↔ compare
- Dubbelt robust skattning (AIPW)Kausal inferens↔ compare
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →