Зважування на основі дотичності, доповнене машинним навчанням
Зважування на основі дотичності, доповнене машинним навчанням (ML-PSW), замінює логістичну регресію гнучкими алгоритмами машинного навчання — такими як градієнтний бустинг, LASSO або випадкові ліси — для оцінки дотичності, а потім використовує обернені ймовірнісні ваги для балансування груп лікування та контролю. Це зменшує зміщення через неправильну специфікацію моделі, коли справжній зв'язок між коваріатами та призначенням лікування є складним або високорозмірним.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. DOI: 10.1111/ectj.12097 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/uk/causal-inference/machine-learning-augmented-propensity-score-weighting
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Різниця різниць (Diff-in-Diff)Економетрика↔ порівняти
- Подвійне робастне оцінювання (AIPW)Причинно-наслідковий висновок↔ порівняти
- Зважування за оберненою ймовірністю лікування (IPW / IPTW)Причинно-наслідковий висновок↔ порівняти
- Машинне навчання з доповненням зіставленням за показником схильностіПричинно-наслідковий висновок↔ порівняти
- Зважування за показником схильності (PSW / IPW)Причинно-наслідковий висновок↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →