CURO自定义ML swMATH ID: 42172 软件作者： Suk，Youmi；Kang、Hyunseung 描述： 在聚类水平未测量混杂条件下的多水平观察研究中，稳健机器学习对治疗效果的影响。最近，机器学习（ML）方法被用于因果推断，以估计治疗效果，以减少对模型误判的担忧。然而，许多ML方法要求测量所有混杂因素，以一致地估计治疗效果。在这篇论文中，我们提出了一系列ML方法，这些方法在存在集群级未测量混杂因素的情况下评估治疗效果，这是一种在每个集群内共享的未测量混杂情况，在多层次观察研究中很常见。我们通过仿真研究表明，我们提出的方法对于各种多层次观测研究中未测量的集群级混杂因素的偏差具有鲁棒性。我们还使用我们的方法，从儿童早期纵向研究（一项多层次观察教育研究）中检验了学习代数课程对数学成绩的影响。建议的方法在extsf{CURobustML}R包中可用。 主页： https://psyarxiv.com/t7vbz/ 源代码： https://github.com/youmisuk/CURobustML/ 依赖项： R（右） 关键词： 因果推理;机器学习方法;未测量变量;遗漏变量偏差;固定效应模型 相关软件： drgee博士;老鼠;超级学习者;bart暂停;水;github;tmle（tmle）;水;nnls公司;lme4公司;R（右） 引用于： 1文件 标准条款 1出版物描述软件，包括1出版物以zbMATH为单位 年份 在聚类水平未测量混杂条件下的多水平观察研究中，稳健机器学习对治疗效果的影响。 Zbl 1486.62311号Suk，尤米;Kang、Hyunseung 2022 2位作者引用 1 Kang、Hyunseung 1 尤米·苏克 连载1篇 1 心理测量学 在2个字段中引用 1 统计学（62-XX） 1 计算机科学（68至XX） 按年份列出的引文