เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การประมาณค่าแบบทนทานสองเท่า (AIPW)× | การถดถอยโลจิสติก× | |
|---|---|---|
| สาขาวิชา≠ | การอนุมานเชิงสาเหตุ | สถิติการวิจัย |
| ตระกูล≠ | Regression model | Process / pipeline |
| ปีกำเนิด≠ | 2005 | 1958 |
| ผู้ริเริ่ม≠ | Robins & Rotnitzky; Bang & Robins | David Roxbee Cox |
| ประเภท≠ | Semiparametric causal estimator | Method |
| 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 ↗ | Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242. DOI ↗ |
| ชื่อเรียกอื่น≠ | AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW) | logit model, binomial logistic regression, LR |
| ที่เกี่ยวข้อง≠ | 5 | 3 |
| 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. | Logistic regression is a statistical method for modeling the probability of a binary outcome (disease present/absent, success/failure) as a function of continuous and categorical predictors. Developed by David Roxbee Cox (1958), it solves the problem of predicting categorical outcomes by applying a logistic transformation to constrain predictions to the [0,1] probability interval, enabling accurate risk stratification, diagnostic prediction, and causal inference in epidemiology, medicine, and social science. |
| ScholarGateชุดข้อมูล ↗ |
|
|