الترجيح الديناميكي بالاحتمالية العكسية
يقدر الترجيح الديناميكي بالاحتمالية العكسية (Dynamic IPW) الأثر السببي لتسلسل علاجي متغير بمرور الوقت عن طريق إعادة ترجيح البيانات المرصودة لمحاكاة تجربة عشوائية افتراضية. وقد طوّره روبنز وزملاؤه في سياق النماذج الهيكلية الهامشية، وهو يعالج التحدي المتمثل في أن العلاج السابق في الإعدادات الطولية يؤثر على المتغيرات المشتركة المستقبلية، والتي بدورها تؤثر على العلاج المستقبلي — وهي حلقة تغذية راجعة لا يمكن للانحدار القياسي فك تشابكها.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Hernan, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/ar/causal-inference/dynamic-inverse-probability-weighting
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- التقدير المتين المزدوج (AIPW)الاستدلال السببي↔ قارن
- الترجيح الاحتمالي العكسي (IPW / IPTW)الاستدلال السببي↔ قارن
- نموذج الهياكل الهامشية (MSM)الاستدلال السببي↔ قارن
- الترجيح بالدرجة الميولية (PSW / IPW)الاستدلال السببي↔ قارن