Маргінальна структурна модель, доповнена машинним навчанням (ML-MSM)
Маргінальна структурна модель, доповнена машинним навчанням, поєднує причинну строгість фреймворку MSM Робінса та співавт. з гнучкими, адаптивними до даних алгоритмами машинного навчання для оцінки показників схильності та моделей результатів. Замінюючи параметричні моделі "незручностей" ансамблевими навчальними алгоритмами або нейронними мережами, ML-MSM відновлюють достовірні причинно-наслідкові оцінки за наявності змішувальних факторів, не покладаючись на правильно специфіковані параметричні форми.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/uk/causal-inference/machine-learning-augmented-marginal-structural-model
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Подвійне робастне оцінювання (AIPW)Причинно-наслідковий висновок↔ порівняти
- Зважування за оберненою ймовірністю лікування (IPW / IPTW)Причинно-наслідковий висновок↔ порівняти
- Машинне навчання-доповнена подвійно робастна оцінка (ML-DR)Причинно-наслідковий висновок↔ порівняти
- Маргінальна структурна модель (MSM)Причинно-наслідковий висновок↔ порівняти
- Зважування за показником схильності (PSW / IPW)Причинно-наслідковий висновок↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →