Ghép điểm xu hướng được tăng cường bằng học máy
Ghép điểm xu hướng được tăng cường bằng học máy (ML-PSM) thay thế hồi quy logistic truyền thống được sử dụng để ước tính điểm xu hướng bằng các thuật toán học máy linh hoạt — như cây tăng cường độ dốc, rừng ngẫu nhiên hoặc LASSO — để nắm bắt tốt hơn các mối quan hệ phức tạp, phi tuyến tính giữa các đồng biến. Điểm xu hướng phong phú hơn thu được cải thiện sự cân bằng đồng biến và giảm sai lệch trong ước tính trung bình hiệu ứng điều trị trên nhóm được điều trị (ATT).
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
- McCaffrey, D. F., Ridgeway, G., & Morral, A. R. (2004). Propensity score estimation with boosted regression for evaluating causal effects in observational studies. Psychological Methods, 9(4), 403-425. DOI: 10.1037/1082-989X.9.4.403 ↗
- Westreich, D., Lessler, J., & Funk, M. J. (2010). Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression. Journal of Clinical Epidemiology, 63(8), 826-833. DOI: 10.1016/j.jclinepi.2009.11.020 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/vi/causal-inference/machine-learning-augmented-propensity-score-matching
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.
- Ghép Chính xác Tinh chỉnh (CEM)Suy luận nhân quả↔ so sánh
- Ước lượng Mạnh mẽ Kép (AIPW)Suy luận nhân quả↔ so sánh
- Cân bằng EntropySuy luận nhân quả↔ so sánh
- Ước lượng mạnh mẽ kép tăng cường học máy (ML-DR)Suy luận nhân quả↔ so sánh
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ so sánh
- Trọng số điểm xu hướng (PSW / IPW)Suy luận nhân quả↔ so sánh
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →