adaptive_iptw | 用超学习方法计算倾向得分的渐近线性IPTW估计 | ||
ci | 计算drtmle和filename_points_covered_by_landmarks的置信区间 | ||
ci.adaptive_iptw | filename_points_covered_by_landmarks对象的置信区间 | ||
ci.drtmle | 数据对象的置信区间 | ||
drtmle | 基于双稳健推理的平均治疗效果TMLE估计 | ||
estimateG | 估计 | ||
estimategrn | 估计 | ||
estimateQ | 估算 | ||
estimateQrn | 估计数量 | ||
eval_Diptw | 评价IPTW的常用影响函数 | ||
eval_Diptw_g | 评估IPTW的额外影响函数 | ||
eval_Dstar | 评价常用有效影响函数 | ||
eval_Dstar_g | 评估因结果回归错误而产生的额外有效影响函数 | ||
eval_Dstar_Q | 评估因倾向性评分错误而导致的额外有效影响函数 | ||
extract_models | 帮助函数从拟合对象中提取模型 | ||
fluctuateG | 波动 | ||
fluctuateQ | 波动 | ||
fluctuateQ1 | 波动Q1 | ||
fluctuateQ2 | 波动Q2 | ||
make_validRows | 列出每个验证折叠中的行。 | ||
plot.drtmle | 绘图降维回归拟合 | ||
predict.SL.npreg | 预测方法SL.npreg公司 | ||
print.adaptive_iptw | 打印filename_points_covered_by_landmarks对象的输出。 | ||
print.ci.adaptive_iptw | 打印ci的输出。filename_points_covered_by_landmarks | ||
print.ci.drtmle | 打印输出ci.drtmle公司 | ||
print.drtmle | 打印“drtmle”对象的输出。 | ||
print.wald_test.adaptive_iptw | 打印filename_edges_strengthfilename_points_covered_by_landmarks的输出 | ||
print.wald_test.drtmle | 打印filename_points_covered_by_landmarks.drtmle的输出 | ||
reorder_list | Helper函数根据cvFolds对列表进行重新排序 | ||
SL.npreg | 核回归的超级学习包装器 | ||
tmp_method.CC_LS | 暂时修复凸组合法的均方误差相对于现有的实现,我们减少了从一个给定的算法声明预测与另一个相同的容差 | ||
tmp_method.CC_nloglik | 临时修复凸组合法负对数似然损失相对于现有的实现,我们减少了我们宣布从一个给定的算法预测与另一个相同的容忍度。注意,由于“超级学习者”的结构方式,需要单独安装优化软件。 | ||
wald_test | drtmle和filename_points_covered_by_landmarks对象的Wald测试 | ||
wald_test.adaptive_iptw | filename_points_covered_by_landmarks对象的Wald测试 | ||
wald_test.drtmle | drtmle对象的Wald测试 |