Phương pháp trọng số nghịch đảo xác suất tăng cường học máy (ML-IPW)
Phương pháp trọng số nghịch đảo xác suất tăng cường học máy (ML-IPW) thay thế hồi quy logistic tham số bằng các thuật toán học máy linh hoạt để ước tính điểm xu hướng điều trị, sau đó điều chỉnh lại trọng số mẫu để cân bằng các đơn vị được điều trị và đơn vị đối chứng. Bằng cách tận dụng các mô hình học thích ứng với dữ liệu như lasso, rừng ngẫu nhiên hoặc tăng cường gradient, ML-IPW kiểm soát các yếu tố gây nhiễu phi tuyến tính và đa chiều mà IPW cổ điển bỏ sót, đồng thời vẫn giữ được khuôn khổ trọng số trực quan.
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
- 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 ↗
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-inverse-probability-weighting
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
- Trọng số Xác suất Nghịch đảo của Điều trị (IPW / IPTW)Suy luận nhân quả↔ so sánh
- Ước lượng mạnh mẽ kép tăng cường học máy (ML-DR)Suy luận nhân quả↔ so sánh
- Ghép điểm xu hướng được tăng cường bằng học máySuy luận nhân quả↔ so sánh
- Trọng số điểm xu hướng (PSW / IPW)Suy luận nhân quả↔ so sánh
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →