وزندهی معکوس احتمال پویا
وزندهی معکوس احتمال پویا (Dynamic IPW) اثر علی یک توالی درمان زمان-متغیر را با وزندهی مجدد دادههای مشاهدهشده برای تقلید از یک کارآزمایی تصادفی فرضی تخمین میزند. این روش که توسط رابینز و همکاران در زمینه مدلهای ساختاری حاشیهای توسعه یافته است، با چالش این موضوع مقابله میکند که در تنظیمات طولی، درمان گذشته بر متغیرهای کمکی آینده تأثیر میگذارد، که به نوبه خود بر درمان آینده تأثیر میگذارد - یک حلقه بازخورد که رگرسیون استاندارد نمیتواند آن را باز کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/fa/causal-inference/dynamic-inverse-probability-weighting
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- برآورد دوگانه استوار (AIPW)استنتاج علّی↔ مقایسه
- وزندهی احتمال معکوسِ دریافتِ درمان (IPW / IPTW)استنتاج علّی↔ مقایسه
- مدل ساختاری حاشیهای (MSM)استنتاج علّی↔ مقایسه
- وزندهی امتیاز تمایل (PSW / IPW)استنتاج علّی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →