การจับคู่คะแนนความโน้มเอียงที่เสริมด้วยแมชชีนเลิร์นนิง
การจับคู่คะแนนความโน้มเอียงที่เสริมด้วยแมชชีนเลิร์นนิง (ML-PSM) เข้ามาแทนที่การถดถอยโลจิสติกส์แบบดั้งเดิมที่ใช้ในการประมาณคะแนนความโน้มเอียง ด้วยอัลกอริทึมแมชชีนเลิร์นนิงที่มีความยืดหยุ่น เช่น ทรีบูสต์แบบเกรเดียนต์, แรนดอมฟอเรสต์ หรือ LASSO เพื่อให้สามารถจับความสัมพันธ์ที่ซับซ้อนและไม่เป็นเชิงเส้นระหว่างตัวแปรควบคุมได้ดีขึ้น คะแนนความโน้มเอียงที่ได้ซึ่งมีความสมบูรณ์มากขึ้นนี้จะช่วยปรับปรุงความสมดุลของตัวแปรควบคุมและลดอคติในการประมาณค่าผลกระทบการรักษาเฉลี่ยต่อกลุ่มที่ได้รับการรักษา (ATT)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- McCaffrey, D. F., Ridgeway, G., & Morral, A. R. (2004). Propensity score estimation with boosted regression for evaluating causal effects in observational studies. Psychological Methods, 9(4), 403-425. DOI: 10.1037/1082-989X.9.4.403 ↗
- Westreich, D., Lessler, J., & Funk, M. J. (2010). Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression. Journal of Clinical Epidemiology, 63(8), 826-833. DOI: 10.1016/j.jclinepi.2009.11.020 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-propensity-score-matching
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.
- Coarsened Exact Matching (CEM)การอนุมานเชิงสาเหตุ↔ compare
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ compare
- Entropy Balancingการอนุมานเชิงสาเหตุ↔ compare
- การประมาณค่าความแกร่งสองเท่าที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-DR)การอนุมานเชิงสาเหตุ↔ compare
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ compare
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ compare