การถ่วงน้ำหนักด้วยคะแนนแนวโน้มที่เสริมด้วยการเรียนรู้ของเครื่อง
การถ่วงน้ำหนักด้วยคะแนนแนวโน้มที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-PSW) ใช้การแทนที่แบบจำลองการถดถอยโลจิสติกด้วยอัลกอริทึม ML ที่ยืดหยุ่น — เช่น gradient boosting, LASSO, หรือ random forests — เพื่อประมาณค่าคะแนนแนวโน้ม จากนั้นจึงใช้ค่าน้ำหนักผกผันของความน่าจะเป็นเพื่อสร้างความสมดุลระหว่างกลุ่มที่ได้รับการรักษาและกลุ่มควบคุม วิธีนี้ช่วยลดความเอนเอียงจากการระบุแบบจำลองผิดพลาดเมื่อความสัมพันธ์ที่แท้จริงระหว่างตัวแปรร่วมและการกำหนดการรักษาซับซ้อนหรือมีมิติสูง
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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/th/causal-inference/machine-learning-augmented-propensity-score-weighting
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.
- Difference-in-Differences (DiD)เศรษฐมิติ↔ compare
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ compare
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ compare
- การจับคู่คะแนนความโน้มเอียงที่เสริมด้วยแมชชีนเลิร์นนิงการอนุมานเชิงสาเหตุ↔ compare
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ compare