แบบจำลองโครงสร้างตามขอบเขตที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-MSM)
แบบจำลองโครงสร้างตามขอบเขตที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-MSM) ผสมผสานความเข้มงวดเชิงสาเหตุของกรอบการทำงาน MSM ของ Robins และคณะ เข้ากับอัลกอริทึม ML ที่ยืดหยุ่นและปรับเปลี่ยนตามข้อมูลได้สำหรับการประมาณค่าคะแนนแนวโน้มและแบบจำลองผลลัพธ์ โดยการแทนที่แบบจำลองส่วนที่รบกวนแบบพาราเมตริกด้วยตัวเรียนรู้แบบรวมกลุ่ม (ensemble learners) หรือโครงข่ายประสาทเทียม (neural networks) ML-MSMs สามารถประมาณค่าเชิงสาเหตุที่ถูกต้องภายใต้การรบกวน (confounding) โดยไม่ต้องอาศัยรูปแบบพาราเมตริกที่ระบุไว้อย่างถูกต้อง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-marginal-structural-model
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
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ compare
- การประมาณค่าความแกร่งสองเท่าที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-DR)การอนุมานเชิงสาเหตุ↔ compare
- แบบจำลองโครงสร้างส่วนเพิ่ม (Marginal Structural Model: MSM)การอนุมานเชิงสาเหตุ↔ compare
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ compare