การถ่วงดุลเอนโทรปีเสริมด้วยการเรียนรู้ของเครื่อง
การถ่วงดุลเอนโทรปีเสริมด้วยการเรียนรู้ของเครื่อง (ML-EB) เป็นการรวมกันระหว่างกลไกการถ่วงน้ำหนักเอนโทรปีของ Hainmueller เข้ากับแบบจำลองผลลัพธ์จากการเรียนรู้ของเครื่อง เพื่อสร้างตัวประมาณค่าเชิงสาเหตุที่แข็งแกร่งสองชั้น (doubly-robust) ด้วยการปรับปรุงน้ำหนักการถ่วงดุลตัวแปรร่วมและปรับค่าผลลัพธ์ที่คาดการณ์ได้อย่างยืดหยุ่น ML-EB จึงให้ค่าประมาณผลกระทบของการรักษาที่สอดคล้องกัน แม้ว่าแบบจำลองการถ่วงน้ำหนักหรือแบบจำลองผลลัพธ์จะระบุผิดพลาด และสามารถจัดการกับปริภูมิตัวแปรร่วมที่มีมิติสูงซึ่งการถ่วงดุลเอนโทรปีแบบดั้งเดิมไม่สามารถถ่วงดุลได้ง่าย
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/th/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.
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ compare
- Entropy Balancingการอนุมานเชิงสาเหตุ↔ compare
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ compare
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ compare