Manski-grenzen
LeskaartGeef aan binnen welke grenzen het effect moet liggen op basis van wat de gegevens toelaten. Voor de ontbrekende contrafeitelijke uitkomst hoef je geen extra aannames te doen.
bounds.manskiCausale structuur afleiden
LeskaartZoek een graaf die bij de gegevens past. Om de werkelijke causale structuur uit observationele gegevens af te leiden, zijn aanvullende aannames nodig.
discovery.structure_learningCausaal bos met gescheiden steekproeven
Python + RBouw bomen die zoeken naar eenheden met afwijkende effecten. Gebruik voor de keuze van splitsingen andere rijen dan voor de effectschatting.
ml.causal_forestDouble ML met aparte uitkomstmodellen (IRM)
PythonCombineer per groep een uitkomstmodel met een model voor de interventietoewijzing in een dubbelrobuuste score. Onder de vereiste causale aannames kan de schatting naar het beoogde effect convergeren als de relevante uitkomstmodellen óf het toewijzingsmodel consistent zijn geschat.
ml.dml_irmDouble ML (gedeeltelijk lineair)
PythonVoorspel de uitkomst en de interventietoewijzing met de verstorende factoren. Regresseer daarna de residuen van de uitkomst op die van de toewijzing.
ml.dml_plrMeta-learners (T, S, X, DR)
PythonSchat het effect per eenheid op vier manieren met gewone voorspelmodellen en dezelfde cross-fitting.
ml.metalearnerBeslisboom voor interventietoewijzing
PythonLeid uit de gegevens een korte, begrijpelijke regel af voor wie de interventie krijgt. Beoordeel de regel op gegevens die je bij het afleiden niet hebt gebruikt.
ml.policy_treeDubbelrobuuste schatting (AIPW)
Python + RCombineer een model voor interventietoewijzing met een model voor de uitkomst. Onder de vereiste causale aannames en met geldige gewichten kan de schatting naar het beoogde effect convergeren als een van beide modellen consistent is geschat.
obs.aipwExact matchen na groeperen (CEM)
PythonDeel covariaten in categorieën in. Vergelijk alleen binnen categorieën waarin beide groepen voorkomen.
obs.matching.cemGenetische matching
LeskaartZoek naar gewichten voor de afstandsmaat die de beste balans opleveren, in plaats van vooraf één maat te kiezen.
obs.matching.geneticMatching met de dichtstbijzijnde buur
PythonKoppel elke behandelde eenheid aan de meest vergelijkbare onbehandelde eenheid en vergelijk binnen de paren.
obs.matching.nnOptimale en volledige matching
LeskaartKies de koppelingen in één keer zodat de totale afstand zo klein mogelijk is. De methode kijkt daarbij naar alle eenheden tegelijk.
obs.matching.optimalMeervoudige imputatie die bij de analyse past
LeskaartImputeer ontbrekende waarden meerdere keren, voer de analyse uit op elke ingevulde dataset en voeg de schattingen samen. Zo kun je rijen met ontbrekende waarden blijven meenemen.
obs.missing.miceUitkomstregressie (g-computation)
Python + RModelleer de uitkomst en schat wat er zou zijn gebeurd als iedereen de interventie kreeg en als niemand die kreeg.
obs.outcome_regressionSuper Learner voor hulpmodellen
LeskaartCombineer verschillende voorspelmodellen met gewichten uit kruisvalidatie.
obs.superlearnerGerichte maximum likelihood (TMLE)
PythonSchat het uitkomstmodel en werk het gericht één keer bij met behulp van het interventiemodel.
obs.tmlePropensityscore voor balans tussen groepen
LeskaartSchat de kans op interventietoewijzing met een model dat rekening houdt met balans in de covariaten. Een model dat de toewijzing goed voorspelt, levert op zichzelf nog geen goede balans op.
obs.weighting.cbpsEntropiebalancering
PythonKies gewichten die zo dicht mogelijk bij gelijke gewichten liggen en de gewogen gemiddelden van de covariaten precies gelijk maken.
obs.weighting.entropyWeging met de propensityscore
Python + RPas de gewichten aan zodat de groepen met en zonder interventie beter vergelijkbaar zijn wat betreft de gemeten verstorende factoren.
obs.weighting.ipwPropensityscores via boosting (twang)
LeskaartSchat de propensityscore met boosting. Kies de iteratie met de beste balans in covariaten tussen de groepen.
obs.weighting.twang