ScholarGate
助手
Regression modelQuasi-experimental / causal inference

机器学习增强倾向得分匹配

机器学习增强倾向得分匹配（ML-PSM）使用灵活的机器学习算法（如梯度提升树、随机森林或LASSO）替代传统逻辑回归来估计倾向得分，以更好地捕捉协变量之间复杂、非线性的关系。由此产生的更丰富的倾向得分能够改善协变量平衡，并减少对接受治疗者平均处理效应（ATT）估计的偏差。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

登录

方法图谱

相关方法的邻域——选择一个节点以展开探索。

机器学习增强倾向得分匹配
粗化精确匹配 (CEM)双重稳健估计（AIPW）熵平衡机器学习增强双重稳健估计 (ML-DR)倾向得分匹配倾向得分加权法 (PSW / IPW)机器学习增强的粗糙精确匹配 (ML-CEM)机器学习增强逆概率加权法 (ML-IPW)机器学习增强的倾向得分加权法

来源

  1. 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 ↗
  2. 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 ↗

如何引用本页

ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-propensity-score-matching

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。

并排比较 →

被引用于

机器学习增强的粗糙精确匹配 (ML-CEM)机器学习增强双重稳健估计 (ML-DR)机器学习增强逆概率加权法 (ML-IPW)机器学习增强的倾向得分加权法

发现本页有问题？报告或提出修改建议 →

ScholarGate — Machine Learning-Augmented Propensity Score Matching (Machine Learning-Augmented Propensity Score Matching Estimator). 于 2026-06-15 检索自 https://scholargate.app/zh/causal-inference/machine-learning-augmented-propensity-score-matching · 数据集： https://doi.org/10.5281/zenodo.20539026