Robuste Gewichtung mittels Propensity Scores
Robuste Gewichtung mittels Propensity Scores erweitert die Standardgewichtung mittels inverser Wahrscheinlichkeit (Inverse Probability Weighting, IPW), indem sie Schutzmassnahmen gegen Fehl-Spezifikationen des Propensity-Score-Modells und extreme Gewichtungen integriert. Sie kombiniert Techniken wie Gewichtungs-Trimming, Überlappungs-Gewichtung oder augmentierte Ergebnismodelle, um sicherzustellen, dass Schätzungen kausaler Effekte auch bei unvollkommener Spezifikation des Propensity-Score-Modells zuverlässig bleiben.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/de/causal-inference/robust-propensity-score-weighting
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Doubly Robust Estimation (AIPW)Kausale Inferenz↔ vergleichen
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausale Inferenz↔ vergleichen
- Marginales Strukturelles Modell (MSM)Kausale Inferenz↔ vergleichen
- Propensity Score MatchingForschungsstatistik↔ vergleichen
- Propensity Score Weighting (PSW / IPW)Kausale Inferenz↔ vergleichen
- Sensitivitätsanalyse für KausalitätKausale Inferenz↔ vergleichen
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →