เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การประมาณค่าแบบทนทานสองเท่า (AIPW)× | ผลกระทบจากการรักษาที่แตกต่างกัน (CATE / Meta-Learners)× | |
|---|---|---|
| สาขาวิชา | การอนุมานเชิงสาเหตุ | การอนุมานเชิงสาเหตุ |
| ตระกูล | Regression model | Regression model |
| ปีกำเนิด≠ | 2005 | 2018 |
| ผู้ริเริ่ม≠ | Robins & Rotnitzky; Bang & Robins | Wager & Athey (causal forest); Künzel et al. (meta-learners) |
| ประเภท≠ | Semiparametric causal estimator | Causal machine-learning framework |
| แหล่งต้นตำรับ≠ | Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129. DOI ↗ | Wager, S. & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association. DOI ↗ |
| ชื่อเรียกอื่น≠ | AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW) | conditional average treatment effect, CATE, meta-learners, causal forest |
| ที่เกี่ยวข้อง | 5 | 5 |
| สรุป≠ | Doubly Robust Estimation, also called Augmented Inverse Probability Weighting (AIPW), is a semiparametric method for estimating causal treatment effects that combines an outcome regression model with a propensity (treatment) model. Developed in the work of Robins & Rotnitzky (1995) and Bang & Robins (2005), it stays consistent as long as at least one of the two models is correctly specified. | Heterogeneous Treatment Effects is a machine-learning framework that estimates how a treatment effect varies across individuals — the conditional average treatment effect (CATE). It bundles meta-learner strategies such as the T-Learner, S-Learner, X-Learner and R-Learner alongside the causal forest of Wager and Athey (2018) and Künzel et al. (2019). |
| ScholarGateชุดข้อมูล ↗ |
|
|