Mi az a kétszeresen robusztus becslés?

A kétszeresen robusztus becslés egy olyan módszer a kauzális következtetésben és statisztikában, amely két megközelítést ötvöz az kezelési vagy hatás értékelésére: az eredmény modellt (outcome model) és a valószínűségi modellt (propensity score model). Ez a módszer biztosítja a becslés tartósságát: ha legalább az egyik modell helyesen van megadva, a hatás becslése konzisztens lesz.

A kétszeresen robusztus becslés alkalmazása lehetővé teszi a torzítás csökkentését és a pontosság növelését olyan helyzetekben, ahol az adatok megfigyeltek és hibák lehetnek a modellekben. Ez különösen hasznos uplift modellezésében és ok-okozati elemzésekben.

Példa a kétszeresen robusztus becslés képletére:

[ \hat{\tau}{DR} = \frac{1}{n} \sum{i=1}^n \left( \frac{T_i - e(X_i)}{e(X_i)(1 - e(X_i))} (Y_i - \hat{m}(X_i)) + \hat{m}_1(X_i) - \hat{m}_0(X_i) \right) ]

ahol:

• (T_i) a kezelés indikátora,
• (e(X_i)) a kezelés hozzárendelésének valószínűsége,
• (Y_i) a megfigyelt eredmény,
• (\hat{m}(X_i)), (\hat{m}_1(X_i)), (\hat{m}_0(X_i)) az eredmény becslései a kezelés és a kezelés nélküli esetekben.