การถ่วงน้ำหนักความน่าจะเป็นผกผันเสริมด้วยการเรียนรู้ของเครื่อง (ML-IPW)

การถ่วงน้ำหนักความน่าจะเป็นผกผันเสริมด้วยการเรียนรู้ของเครื่อง (ML-IPW) ใช้การถ่วงน้ำหนักความน่าจะเป็นผกผันเสริมด้วยการเรียนรู้ของเครื่อง (ML-IPW) แทนการถดถอยโลจิสติกแบบพาราเมตริกด้วยอัลกอริทึม ML ที่ยืดหยุ่นเพื่อประมาณค่าคะแนนแนวโน้มการรักษา จากนั้นจึงถ่วงน้ำหนักตัวอย่างใหม่เพื่อสร้างความสมดุลระหว่างหน่วยที่ได้รับการรักษาและหน่วยควบคุม โดยใช้ประโยชน์จากตัวเรียนรู้ที่ปรับตามข้อมูลได้ เช่น lasso, random forests หรือ gradient boosting, ML-IPW จะควบคุมตัวแปรกวนที่มีมิติสูงและไม่เป็นเชิงเส้นที่ IPW แบบดั้งเดิมมองข้ามไป ในขณะที่ยังคงกรอบการถ่วงน้ำหนักที่เข้าใจง่าย