Regression modelQuasi-experimental / causal inference
机器学习增强逆概率加权法 (ML-IPW)
机器学习增强逆概率加权法使用灵活的机器学习算法替代参数逻辑回归来估计处理倾向得分，然后对样本进行重加权以平衡处理组和对照组单位。通过利用 Lasso、随机森林或梯度提升等数据自适应学习器，ML-IPW 可以控制经典 IPW 所忽略的高维和非线性混淆变量，同时保留直观的加权框架。
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。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-inverse-probability-weighting
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 双重稳健估计（AIPW）因果推断↔ 比较
- 逆概率治疗加权法 (IPW / IPTW)因果推断↔ 比较
- 机器学习增强双重稳健估计 (ML-DR)因果推断↔ 比较
- 机器学习增强倾向得分匹配因果推断↔ 比较
- 倾向得分加权法 (PSW / IPW)因果推断↔ 比较