Динамично реципрочно претегляне с обратна вероятност
Динамичното реципрочно претегляне с обратна вероятност (Dynamic IPW) оценява причинно-следствения ефект на последователност от времево променливи лечения чрез претегляне на наблюдавани данни, за да имитира хипотетично рандомизирано проучване. Разработен от Робинс и колеги в контекста на пределни структурни модели, той се справя с предизвикателството, че в надлъжни настройки миналото лечение влияе на бъдещи ковариати, които от своя страна влияят на бъдещото лечение — цикъл на обратна връзка, който стандартната регресия не може да разплете.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/bg/causal-inference/dynamic-inverse-probability-weighting
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Двойно устойчива оценка (AIPW)Причинно-следствено заключение↔ сравняване
- Претегляне с обратна вероятност на лечението (IPW / IPTW)Причинно-следствено заключение↔ сравняване
- Маргинален структурен модел (МСМ)Причинно-следствено заключение↔ сравняване
- Претегляне с оценка на склонността (PSW / IPW)Причинно-следствено заключение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →