ตัวประมาณค่าการจับคู่เสริมด้วยการเรียนรู้ของเครื่อง
ตัวประมาณค่าการจับคู่เสริมด้วยการเรียนรู้ของเครื่อง (Machine learning-augmented matching estimator) เป็นการผสมผสานวิธีการจับคู่แบบดั้งเดิม เช่น การจับคู่เพื่อนบ้านใกล้สุด (nearest-neighbor matching) หรือการจับคู่คะแนนแนวโน้ม (propensity-score matching) เข้ากับอัลกอริทึมการเรียนรู้ของเครื่อง เช่น lasso, random forests, หรือ gradient boosting เพื่อคัดเลือกตัวแปรร่วม (covariates) ประมาณค่าคะแนนแนวโน้ม และแก้ไขความเอนเอียงที่หลงเหลืออยู่ ผลลัพธ์ที่ได้คือตัวประมาณค่าเชิงสาเหตุแบบอิงการจับคู่ที่ยังคงความถูกต้องภายใต้ภาวะการสับสนมิติสูง (high-dimensional confounding) ซึ่งวิธีการจับคู่แบบดั้งเดิมที่กำหนดด้วยมือมักล้มเหลว
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 ↗
- Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Matching Estimator for Causal Inference. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-matching-estimator
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
- ตัวประมาณค่าด้วยการจับคู่การอนุมานเชิงสาเหตุ↔ compare
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ compare