可生成数据表类型（推荐）
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
||
| 第21行： | 第21行： | ||
|nodeavailabletablelist=Table_For_Downstream | |nodeavailabletablelist=Table_For_Downstream | ||
|nodeconfiguration=VariableList;DropManu;Text;RadioButton | |nodeconfiguration=VariableList;DropManu;Text;RadioButton | ||
|nodeinputports=WorkFlow-Control | |nodeinputports=WorkFlow-Control 🠊;Transfer-Variable ◆;Transfer-Table ■ | ||
|nodeoutputports=WorkFlow-Control | |nodeoutputports=WorkFlow-Control 🠊;Transfer-Table ■ | ||
|statsapewikiurl=https://wiki.statsape.com/倾向性评分匹配 | |statsapewikiurl=https://wiki.statsape.com/倾向性评分匹配 | ||
|previousnode=[[多重插补]] | |previousnode=[[多重插补]] | ||
2023年12月8日 (五) 12:19的版本
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
倾向性评分匹配  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 倾向性评分匹配 |
| 功能主类别 | 数据分析 |
| 英文缩写 | 倾向性评分匹配 |
| 功能亚类别 | 多元分析 |
| 节点类型 | 数据挖掘 |
| 开发语言 | R |
| 节点简介 | |
倾向性评分匹配是使用非实验数据或观测数据进行干预效应分析的一类统计方法。由于种种原因，数据偏差和混杂变量较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组或者多组进行更合理的比较。同样也是一种对多个协变量进行调整的分析策略, 因为混杂因素在组间不均衡或者协变量分布不均衡。此匹配方法分为两组倾向性评分匹配和多组（大于两组）倾向性评分匹配。 用途：目的是配消除匹配因素的混杂，同时也在一定程度上控制了与匹配因素相关的一些潜在因素的混杂。 参数：选择一个分组变量，和多个匹配变量 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 4个 |
| Output-出口 | 2个 |
| Loop-支持循环 | 是 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 多重插补 |
| 下一节点 | 拆分训练测试集 |
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
