เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การจับคู่คะแนนแนวโน้มเพื่อผลกระทบของการรักษาที่แตกต่างกัน× | ตัวประมาณค่าด้วยการจับคู่× | |
|---|---|---|
| สาขาวิชา | การอนุมานเชิงสาเหตุ | การอนุมานเชิงสาเหตุ |
| ตระกูล | Regression model | Regression model |
| ปีกำเนิด≠ | 1983–2016 | 1973 |
| ผู้ริเริ่ม≠ | Rosenbaum & Rubin (PSM foundation, 1983); Athey & Imbens (HTE extensions, 2016) | Rubin (1973); large-sample theory by Abadie & Imbens (2006) |
| ประเภท≠ | Causal inference / matching with effect heterogeneity | Nonparametric matching / causal inference |
| แหล่งต้นตำรับ≠ | Athey, S., & Imbens, G. W. (2016). Recursive Partitioning for Heterogeneous Causal Effects. Proceedings of the National Academy of Sciences, 113(27), 7353-7360. DOI ↗ | Abadie, A., & Imbens, G. W. (2006). Large Sample Properties of Matching Estimators for Average Treatment Effects. Econometrica, 74(1), 235-267. DOI ↗ |
| ชื่อเรียกอื่น | HTE-PSM, CATE via PSM, subgroup treatment effect matching, conditional average treatment effect matching | nearest-neighbor matching, NNM, matching on covariates, covariate matching |
| ที่เกี่ยวข้อง≠ | 5 | 6 |
| สรุป≠ | Heterogeneous Treatment Effect Propensity Score Matching extends standard PSM to estimate how treatment effects vary across subgroups or individual characteristics. Rather than reporting a single average treatment effect, it uses the matched sample to estimate conditional average treatment effects (CATE), revealing which types of units benefit most or least from a treatment. | The matching estimator identifies the causal effect of a treatment by pairing each treated unit with one or more untreated units that have similar observed characteristics. Formalised by Rubin (1973) and given rigorous large-sample theory by Abadie and Imbens (2006), it constructs a credible control group from observational data without requiring a parametric model for the outcome. |
| ScholarGateชุดข้อมูล ↗ |
|
|