İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklarUygulamalarSSS🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Nedensel çıkarım›Çift Sağlam Tahmin (AIPW)
Regression model

Çift Sağlam Tahmin (AIPW)

Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation · Ayrıca şöyle bilinir: AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW)

Çift Sağlam Tahmin, aynı zamanda Artırılmış Ters Olasılık Ağırlıklandırması (AIPW) olarak da adlandırılır, bir sonuç regresyon modelini bir eğilim (tedavi) modeliyle birleştiren, nedensel tedavi etkilerini tahmin etmek için kullanılan yarı parametrik bir yöntemdir. Robins & Rotnitzky (1995) ve Bang & Robins (2005) çalışmalarında geliştirilen bu yöntem, iki modelden en az birinin doğru bir şekilde belirtilmesi koşuluyla tutarlı kalır.

ScholarGate
  1. Regression model
  2. v1
  3. 2 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Çift Sağlam Tahmin (AIPW)
Nedensel Aracılık Analiz…Ters Olasılıkla Tedavi A…Lojistik RegresyonEn Küçük Kareler (EK) Re…Eğilim Skoru EşleştirmesiBayesçi Çift Sağlam Tahm…Bayesçi Entropi DengelemeBayesian Ters Olasılık A…Bayesçi Marjinal Yapısal…Bayesçi Eşleştirme Tahmi…

+48 tane daha

Ne zaman kullanılır

Sürekli veya ikili bir sonuç ve ikili bir tedavi ile gözlemsel verilerden nedensel bir tedavi etkisini tahmin etmek istediğinizde ve sonuç veya tedavi modellerinden hangisini doğru bir şekilde belirleyebileceğinizden emin olmadığınızda çift sağlam tahmini kullanın. Kesitsel veya boylamsal verilere uygulanabilir ve çapraz uyumlu istenmeyen modellerin kararlı olması için makul bir örneklem (en az yaklaşık 150 gözlem) gerektirir. Ortak destek ve koşullu bağımsızlık (ölçülmemiş karıştırıcı faktör olmaması) varsayımlarını ve iki modelden en az birinin doğru bir şekilde belirtildiğini varsayar. Çift sağlamlık avantajının kaybolma eğiliminde olduğu küçük örneklemler için daha az uygundur.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Sonuç modelinden veya eğilim modelinden en az biri doğru bir şekilde belirtilmişse tutarlıdır, bu da herhangi birinin yanlış belirtilmesine karşı koruma sağlar.
  • Etkin: Her iki model de doğru olduğunda yarı parametrik Cramér-Rao alt sınırına ulaşır.
  • Ters olasılık ağırlıklandırmasını sonuç regresyonu ile birleştirir ve çapraz uyum ile esnek makine öğrenimi istenmeyen modellerini destekler.
Sınırlılıklar
  • Her iki model de yanlış belirtilmişse, tutarlılık kaybolur ve tahmin ciddi şekilde yanlı olabilir.
  • Çapraz uyumlu istenmeyen tahminler küçük örneklemlerde (n < 150) kararsızdır, bu nedenle çift sağlamlık faydası ortadan kalkar.
  • Ortak destek ve koşullu bağımsızlık (ölçülmemiş karıştırıcı faktör olmaması) gibi test edilemeyen varsayımlara dayanır.

SSS

Neden çift sağlam olarak adlandırılıyor?

Çünkü iki modele — bir sonuç regresyonu ve bir eğilim (tedavi) modeli — dayanır ve bunlardan en az biri doğru bir şekilde belirtildiği sürece tutarlı kalır. Doğru olma şansınız tek bir şans yerine iki katına çıkar.

Her iki model de yanlışsa ne olur?

Çift sağlamlık garantisi artık geçerli olmaz ve tahmin yanlı olabilir. Bu durumda, eğilim skoru eşleştirmesi gibi daha muhafazakar bir yöntem daha güvenli bir seçimdir.

Neden çapraz uyum kullanılır?

Çapraz uyum, istenmeyen modelleri verilerin bir kısmına uyarır ve diğer kısmında değerlendirir, böylece esnek makine öğrenimi tahmincileri aşırı uyum yapmaz. AIPW tahmincisini yarı parametrik etkinlik sınırına yakın tutar.

AIPW, basit ters olasılık ağırlıklandırmasından nasıl farklıdır?

Basit IPW sadece eğilim skoruna göre yeniden ağırlıklandırır ve yalnızca bu model doğruysa tutarlıdır. AIPW, IPW'yi bir sonuç regresyonu ile artırır, böylece tahmin, her iki modelin yanlış belirtilmesinden kurtulur ve daha etkindir.

Kaynaklar

  1. 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: 10.1080/01621459.1995.10476494 ↗
  2. Bang, H. & Robins, J. M. (2005). Doubly Robust Estimation in Missing Data and Causal Inference Models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 1). Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation. ScholarGate. https://scholargate.app/tr/causal-inference/doubly-robust-estimation

İlişkili yöntemler

Nedensel Aracılık Analizi (Doğal Doğrudan ve Dolaylı Etkiler)Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Lojistik RegresyonEn Küçük Kareler (EK) RegresyonuEğilim Skoru Eşleştirmesi

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

  • Nedensel Aracılık Analizi (Doğal Doğrudan ve Dolaylı Etkiler)Nedensel çıkarım↔ karşılaştır
  • Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
  • Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
  • En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
  • Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
Yan yana karşılaştır →

Bu yönteme atıf yapanlar

Bayesçi Çift Sağlam TahminBayesçi Entropi DengelemeBayesian Ters Olasılık Ağırlıklandırma (Bayesian IPW)Bayesçi Marjinal Yapısal ModelBayesçi Eşleştirme TahmincisiBayesian Eğilim Skoru EşleştirmesiBayes Eğilim Skoru AğırlıklandırmasıNedensel Çıkarım için Bayesçi Duyarlılık AnaliziÇift Makine ÖğrenmesiEğitim Araştırmalarında Çift Sağlamlık TahminiDinamik Ters Olasılık Ağırlıklandırması (Dinamik TOA)Dinamik Eğilim Skoru EşleştirmesiEntropi DengelemeG-Hesaplama (Parametrik G-formülü)Heterojen Tedavi Etkisi Çift Sağlam TahminleyiciHeterogeneous Treatment Effect Entropy BalancingHeterojen Tedavi Etkisi Ters Olasılık Ağırlıklandırması (HTE-IPW)Heterojen Tedavi Etkisi Marjinal Yapısal Modeli (HTE-MSM)Heterojen Tedavi Etkisi Eşleştirme TahmincisiHeterogeneous Treatment Effect Propensity Score MatchingNedensel Çıkarım için Heterojen Tedavi Etkisi Hassasiyet AnaliziTers Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Eğitim Araştırmalarında Ters Olasılık AğırlıklandırmasıMakine Öğrenmesi Destekli Nedensel Etki AnaliziMakine Öğrenmesi Destekli Kaba Eşleştirme (ML-CEM)Makine Öğrenmesi Destekli Farkların Farkı (ML-DiD)Makine Öğrenmesi Destekli Çift Sağlam Tahmin (ML-DR)Makine Öğrenmesi Destekli Entropi DengelemesiMakine Öğrenmesi Destekli Bulanık Kesme Regresyonu TasarımıMakine Öğrenmesi Destekli Ters Olasılık Ağırlıklandırma (ML-IPW)Makine Öğrenmesi Destekli Marjinal Yapısal Model (ML-MSM)Makine Öğrenmesi Destekli Eşleştirme TahminleyicisiMarjinal Yapısal Model (MSM)Eşleştirme TahmincisiÇok Dönemli Çift Sağlam TahminÇok Dönemli Ters Olasılık AğırlıklandırmasıÇok Dönemli Eğilim Skoru AğırlıklandırmasıPolitika Değerlendirmesi Çift Sağlam TahminPolitika Değerlendirmesi Ters Olasılık AğırlıklandırmasıPolitika Değerlendirme Marjinal Yapısal ModeliPolitika Değerlendirmesi Eğilim Skoru EşleştirmesiPolitika Değerlendirmesi Eğilim Skoru AğırlıklandırmasıMülkiyet Puanı Ağırlıklandırma (PSW / IPW)Sağlam Karşı-Olgusal Etki DeğerlendirmesiSağlam Ters Olasılık Ağırlıklandırması (Robust IPW)Sağlam Marjinal Yapısal ModelSağlam Eşleştirme Tahmincisi (Düzeltilmiş Eşleştirme)Sağlam Eğilim Skoru EşleştirmesiSağlam Eğilim Skoru AğırlıklandırmasıNedensellik için Duyarlılık AnaliziUzamsal Çift Sağlam TahminMekansal Ters Olasılık Ağırlıklandırma (Mekansal IPW)Hedeflenmiş Maksimum Olabilirlik Tahmini (TMLE)İnstrumantal Değişkenler - İki Aşamalı En Küçük Kareler (IV/2SLS)

Benzer yöntemler

Politika Değerlendirmesi Çift Sağlam TahminTers Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Eğitim Araştırmalarında Çift Sağlamlık TahminiMakine Öğrenmesi Destekli Çift Sağlam Tahmin (ML-DR)Bayesçi Çift Sağlam TahminSağlam Ters Olasılık Ağırlıklandırması (Robust IPW)Makine Öğrenmesi Destekli Ters Olasılık Ağırlıklandırma (ML-IPW)Sağlam Eğilim Skoru Ağırlıklandırması

İlgili referans kavramlar

Karşıolgusal Akıl YürütmeNedensel ÇıkarımNedensel TanımlamaDuyarlılık AnaliziRisk Ayarlaması ve Vaka Karışımı AnaliziLojistik Regresyon

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — Doubly Robust Estimation (Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation). 2026-07-20 tarihinde şu adresten erişildi: https://scholargate.app/tr/causal-inference/doubly-robust-estimation · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Robins & Rotnitzky; Bang & Robins
Year
2005
Type
Semiparametric causal estimator
Estimator
Augmented inverse probability weighting (AIPW)
Outcome
continuous or binary
MinSample
150
Difficulty
3
İlişkili yöntemler
Nedensel Aracılık Analizi (Doğal Doğrudan ve Dolaylı Etkiler)Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Lojistik RegresyonEn Küçük Kareler (EK) RegresyonuEğilim Skoru Eşleştirmesi
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil