Regression model
双重稳健估计（AIPW）
双重稳健估计，也称为增强逆概率加权（AIPW），是一种用于估计因果处理效应的半参数方法，它结合了结果回归模型和倾向性（处理）模型。该方法由 Robins & Rotnitzky (1995) 和 Bang & Robins (2005) 的工作发展而来，只要这两个模型中至少有一个被正确指定，它就能保持一致性。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
+50 more
来源
- Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129. DOI: 10.1080/01621459.1995.10476494 ↗
- Bang, H. & Robins, J. M. (2005). Doubly Robust Estimation in Missing Data and Causal Inference Models. Biometrics, 61(4), 962-973. DOI: 10.1111/j.1541-0420.2005.00377.x ↗
如何引用本页
ScholarGate. (2026, June 1). Augmented Inverse Probability Weighting (AIPW) / Doubly Robust Estimation. ScholarGate. https://scholargate.app/zh/causal-inference/doubly-robust-estimation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 因果中介分析（自然直接效应和自然间接效应）因果推断↔ compare
- 逆概率治疗加权法 (IPW / IPTW)因果推断↔ compare
- 逻辑回归研究统计学↔ compare
- 普通最小二乘法 (OLS) 回归计量经济学↔ compare
- 倾向得分匹配研究统计学↔ compare
被引用于
贝叶斯双重稳健估计贝叶斯熵平衡贝叶斯逆概率加权法贝叶斯边际结构模型贝叶斯匹配估计量贝叶斯倾向得分匹配贝叶斯倾向得分加权贝叶斯敏感性分析用于因果关系双重机器学习教育研究中的双重稳健估计动态逆概率加权动态倾向得分匹配熵平衡G-计算（参数G-公式）异质性处理效应双重稳健估计异质性处理效应熵平衡法异质性处理效应逆概率加权法 (HTE-IPW)异质性处理效应边际结构模型 (HTE-MSM)异质性处理效应匹配估计器异质性处理效应倾向得分匹配异质性处理效应敏感性分析逆概率治疗加权法 (IPW / IPTW)教育研究中的逆概率加权机器学习增强因果效应分析机器学习增强的粗糙精确匹配 (ML-CEM)机器学习增强型双重差分法 (ML-DiD)机器学习增强双重稳健估计 (ML-DR)机器学习增强熵平衡法机器学习增强的模糊回归断点设计机器学习增强逆概率加权法 (ML-IPW)机器学习增强边际结构模型 (ML-MSM)机器学习增强匹配估计器机器学习增强倾向得分匹配机器学习增强的倾向得分加权法Marginal Structural Model (MSM)匹配估计量多期双重稳健估计多期反事实概率加权法多期倾向得分加权策略评估双重稳健估计政策评估逆概率加权政策评估边际结构模型政策评估倾向得分匹配政策评估倾向得分加权倾向得分加权法 (PSW / IPW)稳健反事实影响评估稳健逆概率加权法 (Robust IPW)稳健边际结构模型稳健匹配估计量（偏差校正匹配）稳健倾向得分匹配稳健倾向得分加权法因果关系的敏感性分析空间双重稳健估计空间反向概率加权（空间IPW）Targeted Maximum Likelihood Estimation (TMLE)工具变量法/两阶段最小二乘法 (IV/2SLS)