Manskiho meze
Výuková kartaUveďte interval, v němž podle samotných dat musí účinek ležet, bez dodatečných předpokladů, které by chybějící kontrafaktuální výsledek nahrazovaly.
bounds.manskiOdvozování kauzální struktury
Výuková kartaHledejte graf slučitelný s daty. K určení skutečné kauzální struktury z observačních dat potřebujete další předpoklady.
discovery.structure_learningKauzální les s oddělenými vzorky
Python + RVytvářejte stromy, které hledají jednotky s odlišným účinkem. K výběru rozdělení použijte jiné řádky než k odhadu účinku.
ml.causal_forestDouble ML s oddělenými modely výsledku (IRM)
PythonOdhadněte pro obě skupiny samostatné modely výsledku a spojte je s modelem přidělení intervence v dvojitě robustním skóre. Za potřebných kauzálních předpokladů může odhad konvergovat k cílovému účinku, pokud je konzistentně odhadnut model přidělení nebo jsou konzistentně odhadnuté příslušné modely výsledku.
ml.dml_irmDouble ML (částečně lineární model)
PythonPředpovězte výsledek a přidělení intervence pomocí matoucích faktorů. Pak použijte rezidua přidělení k regresi reziduí výsledku.
ml.dml_plrMeta-learnery (T, S, X, DR)
PythonOdvoďte účinek pro jednotlivé jednotky čtyřmi způsoby z běžných predikčních modelů při stejném postupu cross-fittingu.
ml.metalearnerRozhodovací strom pro přidělení intervence
PythonOdvoďte z dat stručné a srozumitelné pravidlo pro přidělování intervence. Posuďte ho na datech, která jste k jeho odvození nepoužili.
ml.policy_treeDvojitě robustní odhad (AIPW)
Python + RSpojte model přidělení intervence s příslušným modelem výsledku. Za potřebných kauzálních předpokladů a s platnými vahami může odhad konvergovat k cílovému účinku, pokud je jeden z modelů odhadnut konzistentně.
obs.aipwPřesné párování po seskupení (CEM)
PythonRozdělte kovariáty do kategorií a srovnávejte pouze uvnitř kategorií, které zahrnují obě skupiny.
obs.matching.cemGenetické párování
Výuková kartaHledejte váhy vzdálenostní metriky, které co nejlépe vyvažují kovariáty. Nemusíte se předem spoléhat na jedinou metriku.
obs.matching.geneticPárování s nejbližším sousedem
PythonKe každé jednotce s intervencí přiřaďte nejpodobnější jednotku bez intervence a porovnejte výsledky uvnitř párů.
obs.matching.nnOptimální a úplné párování
Výuková kartaPřiřaďte k sobě jednotky najednou tak, aby celková vzdálenost byla co nejmenší. Výběr zohledňuje všechny jednotky současně.
obs.matching.optimalVícenásobná imputace slučitelná s analýzou
Výuková kartaChybějící hodnoty několikrát doplňte imputací. Proveďte analýzu v každé takto vytvořené datové sadě a odhady spojte. Pozorování s chybějícími hodnotami tak do analýzy zahrnete.
obs.missing.miceRegrese výsledku (g-komputace)
Python + RModelujte výsledek a zkoumejte, co by se stalo, kdyby intervenci dostali všichni, a co kdyby ji nedostal nikdo.
obs.outcome_regressionSuper Learner pro pomocné modely
Výuková kartaZkombinujte několik kandidátních modelů pomocí vah získaných křížovou validací.
obs.superlearnerCílený odhad maximální věrohodnosti (TMLE)
PythonOdhadněte model výsledku. Pak ho jednou cíleně upravte ve směru odvozeném z modelu přidělení.
obs.tmlePropensity skóre pro vyvážení kovariát
Výuková kartaOdhadněte pravděpodobnost přidělení modelem, který zohledňuje vyváženost kovariát. Ani přesná predikce přidělení sama o sobě vyváženost nezaručuje.
obs.weighting.cbpsEntropické vyvažování
PythonNajděte váhy co nejbližší stejnému vážení, při nichž se vážené průměry kovariát přesně rovnají.
obs.weighting.entropyVážení pomocí propensity skóre
Python + RUpravte váhy tak, aby si skupiny s intervencí a bez ní byly podobnější z hlediska měřených matoucích faktorů.
obs.weighting.ipwPropensity skóre s boostingem (twang)
Výuková kartaOdhadněte propensity skóre pomocí boostingu. Zvolte iteraci, při níž jsou kovariáty mezi skupinami nejlépe vyvážené.
obs.weighting.twang