ScholarGate
Avustaja
Regression modelQuasi-experimental / causal inference

Bayesilainen käänteisen todennäköisyyden painotus

Bayesilainen käänteisen todennäköisyyden painotus (Bayesian IPW) laajentaa klassista IPW-estimaattoria asettamalla priorijakaumat propensiteettipistemallin parametreille ja siirtämällä tämän epävarmuuden kausaalivaikutuksen estimaattiin. Tuloksena on keskimääräisen hoitovaikutuksen posteriorijakauma, joka ottaa täysin huomioon sekä propensiteettipisteen estimoinnin epävarmuuden että tulosmallin epävarmuuden, mahdollistaen uskottavuusväliin perustuvan päättelyn asymptoottisten approksimaatioiden sijaan.

Avaa sovelluksessa MethodMindTulossaVideoTulossaLataa diat

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Menetelmäkartta

Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.

Lähteet

  1. Saarela, O., Stephens, D. A., Moodie, E. E. M., & Klein, M. B. (2015). On risk prediction and characterisation of treatment effects in a Bayesian framework using the propensity score. Statistics in Medicine, 34(14), 2170-2185. link
  2. Liao, S. X., & Zigler, C. M. (2020). Uncertainty in the design stage of two-stage Bayesian propensity score analysis. Statistics in Medicine, 39(17), 2265-2290. DOI: 10.1002/sim.8486

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Bayesian Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/fi/causal-inference/bayesian-inverse-probability-weighting

Mikä menetelmä?

Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.

Vertaa rinnakkain
ScholarGateBayesian Inverse Probability Weighting (Bayesian Inverse Probability Weighting Estimator). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/causal-inference/bayesian-inverse-probability-weighting · Aineisto: https://doi.org/10.5281/zenodo.20539026