Czym jest podwójnie odporna ocena?

Podwójnie odporna estymacja to metoda w wnioskowaniu przyczynowym i statystyce, która łączy dwa podejścia do oceny efektu leczenia lub wpływu: model wyniku (outcome model) i model prawdopodobieństwa przydziału leczenia (propensity score model). Ta metoda zapewnia odporność estymacji: jeśli przynajmniej jeden z modeli jest poprawnie zdefiniowany, estymacja efektu będzie spójna.

Zastosowanie podwójnie odpornej estymacji pozwala na zmniejszenie błędu i zwiększenie precyzji w sytuacjach, gdy dane są obserwowane i istnieje możliwość błędów w modelach. Jest to szczególnie przydatne w zadaniach modelowania uplift i analizy przyczynowej.

Przykład formuły podwójnie odpornej estymacji:

[ \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) ]

gdzie:

• (T_i) jest wskaźnikiem leczenia,
• (e(X_i)) jest prawdopodobieństwem przydziału leczenia,
• (Y_i) jest zaobserwowanym wynikiem,
• (\hat{m}(X_i)), (\hat{m}_1(X_i)), (\hat{m}_0(X_i)) są oszacowaniami wyniku przy leczeniu i bez leczenia.