Pondération Inverse de Probabilité Dynamique
La Pondération Inverse de Probabilité Dynamique (Dynamic IPW) estime l'effet causal d'une séquence de traitements variant dans le temps en repondérant les données observées pour imiter un essai randomisé hypothétique. Développée par Robins et ses collègues dans le contexte des modèles structurels marginaux, elle gère le défi qu'en milieu longitudinal, les traitements passés affectent les covariables futures, qui à leur tour affectent les traitements futurs — une boucle de rétroaction que la régression standard ne peut démêler.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/fr/causal-inference/dynamic-inverse-probability-weighting
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Estimation doublement robuste (AIPW)Inférence causale↔ comparer
- Pondération par l'inverse de la probabilité de traitement (IPW / IPTW)Inférence causale↔ comparer
- Modèle structurel marginal (MSM)Inférence causale↔ comparer
- Pondération par score de propension (PSP / IPW)Inférence causale↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →