Машинне навчання з аугментацією балансуванням ентропії
Машинне навчання з аугментацією балансуванням ентропії (ML-EB) поєднує схему перезважування балансуванням ентропії Хайнмюллера з моделлю результату на основі машинного навчання для отримання подвійно робастного оцінювача причинності. Спільна оптимізація ваг балансування коваріат та гнучкої корекції прогнозованого результату дозволяє ML-EB отримувати послідовні оцінки ефекту лікування навіть тоді, коли модель зважування або модель результату є неправильно специфікованими, і вона обробляє високорозмірні простори коваріат, які класичне балансування ентропії не може легко збалансувати.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Hainmueller, J. (2012). Entropy balancing for causal effects: A multivariate reweighting method to produce balanced samples in observational studies. Political Analysis, 20(1), 25-46. DOI: 10.1093/pan/mpr025 ↗
- Zhao, Q., & Percival, D. (2017). Entropy balancing is doubly robust. Journal of Causal Inference, 5(1), 20160010. DOI: 10.1515/jci-2016-0010 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/uk/causal-inference/machine-learning-augmented-entropy-balancing
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.
- Подвійне робастне оцінювання (AIPW)Причинно-наслідковий висновок↔ compare
- Збалансування ентропієюПричинно-наслідковий висновок↔ compare
- Зважування за оберненою ймовірністю лікування (IPW / IPTW)Причинно-наслідковий висновок↔ compare
- Зіставлення за показником схильностіСтатистика досліджень↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →