Robustní vážení na základě skóre sklonnosti
Robustní vážení na základě skóre sklonnosti (Robust Propensity Score Weighting, RPSW) rozšiřuje standardní vážení inverzní pravděpodobností (inverse probability weighting, IPW) začleněním ochranných mechanismů proti chybné specifikaci modelu skóre sklonnosti a extrémním vahám. Kombinuje techniky, jako je ořezávání vah (weight trimming), vážení překryvu (overlap weighting) nebo augmentované modely výsledku, aby se zajistilo, že odhady kauzálních účinků zůstanou spolehlivé i v případě, že model skóre sklonnosti je nedokonale specifikován.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- Robins, J. M., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
- Zhao, Q., Small, D. S., & Bhattacharya, B. B. (2019). Sensitivity analysis for inverse probability weighting estimators via the percentile bootstrap. Journal of the Royal Statistical Society: Series B, 81(4), 735-761. DOI: 10.1111/rssb.12327 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/cs/causal-inference/robust-propensity-score-weighting
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Dvojitě robustní odhad (AIPW)Kauzální inference↔ porovnat
- Vážená inverzní pravděpodobnost léčby (IPW / IPTW)Kauzální inference↔ porovnat
- Marginální strukturní model (MSM)Kauzální inference↔ porovnat
- Párování na základě skóre propensityStatistika ve výzkumu↔ porovnat
- Vážení na základě skóre sklonu (PSW / IPW)Kauzální inference↔ porovnat
- Analýza citlivosti pro kauzalituKauzální inference↔ porovnat
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →