Regression modelQuasi-experimental / causal inference
机器学习增强的倾向得分加权法
机器学习增强的倾向得分加权法（ML-PSW）使用灵活的机器学习算法（如梯度提升、LASSO 或随机森林）替代逻辑回归来估计倾向得分，然后使用逆概率权重来平衡处理组和对照组。当协变量与处理分配之间的真实关系复杂或高维时，这可以减少模型设定偏差。
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 ↗
- Lee, B. K., Lessler, J., & Stuart, E. A. (2010). Improving propensity score weighting using machine learning. Statistics in Medicine, 29(3), 337-346. DOI: 10.1002/sim.3782 ↗
如何引用本页
ScholarGate. (2026, June 3). Machine Learning-Augmented Propensity Score Weighting. ScholarGate. https://scholargate.app/zh/causal-inference/machine-learning-augmented-propensity-score-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。
- 双重差分法 (Diff-in-Diff)计量经济学↔ 比较
- 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