Dynamisk Invers Sandsynlighedsvægtning
Dynamisk Invers Sandsynlighedsvægtning (Dynamisk IPW) estimerer den kausale effekt af en tidsvarierende behandlingssekvens ved at omvægte observerede data for at efterligne et hypotetisk randomiseret forsøg. Udviklet af Robins og kolleger i forbindelse med marginale strukturelle modeller, håndterer den udfordringen, at i longitudinelle indstillinger påvirker tidligere behandling fremtidige kovariater, som igen påvirker fremtidig behandling — en feedback-loop, som standard regression ikke kan opklare.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/da/causal-inference/dynamic-inverse-probability-weighting
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Dobbelt Robust Estimation (AIPW)Kausal inferens↔ sammenlign
- Vægtning med den inverse behandlingssandsynlighed (IPW / IPTW)Kausal inferens↔ sammenlign
- Marginal Structural Model (MSM)Kausal inferens↔ sammenlign
- Propensity Score Weighting (PSW / IPW)Kausal inferens↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →