การประมาณค่าความแกร่งสองเท่าที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-DR)
การประมาณค่าความแกร่งสองเท่าที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-DR) เป็นการรวมกลยุทธ์การระบุค่าความแกร่งสองเท่าแบบดั้งเดิม (AIPW) เข้ากับแบบจำลองการเรียนรู้ของเครื่องที่ยืดหยุ่นสำหรับฟังก์ชันที่รบกวน — คะแนนแนวโน้มและการถดถอยของผลลัพธ์ ผลลัพธ์ที่ได้คือตัวประมาณค่าเชิงสาเหตุที่สอดคล้องกันหากส่วนประกอบ ML อย่างใดอย่างหนึ่งถูกระบุอย่างถูกต้อง และบรรลุการอนุมานที่ถูกต้องในอัตรา root-n แม้ว่าแบบจำลองที่รบกวนจะถูกประมาณด้วยการทำให้เป็นปกติแบบมิติสูงหรือผู้เรียนแบบไม่เป็นพาราเมตริก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
- Farrell, M. H., Liang, T., & Misra, S. (2021). Deep Neural Networks for Estimation and Inference. Econometrica, 89(1), 181-213. DOI: 10.3982/ECTA16901 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Doubly Robust Estimation. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-doubly-robust-estimation
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.
- Difference-in-Differences (DiD)เศรษฐมิติ↔ compare
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ compare
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ compare
- การจับคู่คะแนนความโน้มเอียงที่เสริมด้วยแมชชีนเลิร์นนิงการอนุมานเชิงสาเหตุ↔ compare
- แบบจำลองโครงสร้างส่วนเพิ่ม (Marginal Structural Model: MSM)การอนุมานเชิงสาเหตุ↔ compare
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ compare