Многопериодна обратна вероятностна претеглена оценка
Многопериодната обратна вероятностна претеглена оценка (IPW) оценява причинно-следствения ефект на лечение, което варира през множество времеви периоди, чрез претегляне на наблюденията според вероятността за получаване на лечението във всеки период, като се имат предвид миналите истории на лечение и променящите се във времето объркващи фактори. Тя създава псевдо-популация, в която лечението във всеки период е независимо от измерените объркващи фактори, което позволява безпристрастна оценка на устойчиви стратегии за лечение.
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 and Hall/CRC. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multi-period Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/bg/causal-inference/multi-period-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
- Динамично реципрочно претегляне с обратна вероятностПричинно-следствено заключение↔ сравняване
- Претегляне с обратна вероятност на лечението (IPW / IPTW)Причинно-следствено заключение↔ сравняване
- Маргинален структурен модел (МСМ)Причинно-следствено заключение↔ сравняване
- Регресия с обратна вероятностна претеглена оценка за панелни данниПричинно-следствено заключение↔ сравняване
- Претегляне с оценка на склонността (PSW / IPW)Причинно-следствено заключение↔ сравняване
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →