Cân bằng Entropy tăng cường học máy
Cân bằng entropy tăng cường học máy (ML-EB) kết hợp sơ đồ tái trọng số cân bằng entropy của Hainmueller với mô hình kết quả học máy để tạo ra một ước lượng nhân quả mạnh kép. Bằng cách tối ưu hóa đồng thời các trọng số cân bằng biến kiểm soát và điều chỉnh kết quả dự đoán linh hoạt, ML-EB mang lại ước lượng hiệu ứng điều trị nhất quán ngay cả khi mô hình trọng số hoặc mô hình kết quả bị sai lệch, và nó xử lý các không gian biến kiểm soát chiều cao mà cân bằng entropy cổ điển không thể dễ dàng cân bằng.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Bản đồ phương pháp
Lân cận của các phương pháp liên quan — chọn một nút để khám phá.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Entropy Balancing for Causal Inference. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-entropy-balancing
Phương pháp nào?
Đặt phương pháp này bên cạnh những phương pháp gần gũi nhất với nó và đọc chúng song song — thư viện bày sách lên bàn; lựa chọn là của bạn.
- Ước lượng Mạnh mẽ Kép (AIPW)Suy luận nhân quả↔ so sánh
- Cân bằng EntropySuy luận nhân quả↔ so sánh
- Trọng số Xác suất Nghịch đảo của Điều trị (IPW / IPTW)Suy luận nhân quả↔ so sánh
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ so sánh
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →