ScholarGate
Assistant
Regression modelQuasi-experimental / causal inference

Pondération par score de propension (PSP / IPW)

La pondération par score de propension est une méthode d'inférence causale qui réajuste le poids des observations de manière à ce que les distributions des covariables des unités traitées et non traitées deviennent échangeables, permettant ainsi une estimation non biaisée des effets moyens du traitement à partir de données observationnelles. Chaque unité reçoit un poids inversement proportionnel à sa probabilité de recevoir le traitement qu'elle a effectivement reçu — une stratégie formalisée par Rosenbaum et Rubin (1983) et dont la forme semi-paramétrique efficace a été établie par Hirano, Imbens et Ridder (2003).

Ouvrir dans MethodMindBientôtVidéoBientôtTélécharger les diapositives

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Carte des méthodes

Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.

+34 de plus

Sources

  1. Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41
  2. Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442

Comment citer cette page

ScholarGate. (2026, June 3). Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/fr/causal-inference/propensity-score-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.

Comparer côte à côte

Référencée par

Équilibrage d'entropie bayésienPondération Bayésienne par l'Inverse de la ProbabilitéModèle Structurel Marginal BayésienPondération Bayésienne par Score de PropensionCoarsened Exact Matching (CEM)Estimation doublement robuste en recherche en éducationÉvaluation d'impact contrefactuelle dynamiqueÉquilibrage dynamique de l'entropiePondération Inverse de Probabilité DynamiqueAppariement dynamique par score de propensionÉquilibrage par entropieEstimation doublement robuste des effets hétérogènes du traitementÉquilibrage entropique des effets de traitement hétérogènesHeterogeneous Treatment Effect Inverse Probability WeightingModèle Structurel Marginal à Effet Traitement Hétérogène (HTE-MSM)Estimation doublement robuste augmentée par apprentissage automatique (ML-DR)Machine Learning-Augmented Inverse Probability WeightingModèle structurel marginal augmenté par apprentissage automatique (ML-MSM)Appariement par score de propension augmenté par l'apprentissage automatiquePondération par score de propension augmentée par apprentissage automatiqueModèle structurel marginal (MSM)Estimateur par appariementPondération par l'inverse de la probabilité sur plusieurs périodesPondération par score de propension multi-périodesÉchantillonnage pondéré en lignePondération par l'inverse de la probabilité pour données de panelPondération par Score de Propension pour Données de PanelEstimation doublement robuste pour l'évaluation des politiquesÉvaluation de politiques par pondération par l'inverse de la probabilitéModèle Structurel Marginal pour l'Évaluation des PolitiquesÉvaluation de politiques par appariement sur score de propensionPondération par score de propension pour l'évaluation des politiquesAppariement par Score de Propension dans la Recherche en ÉducationPondération Inverse de Probabilité Robuste (PIP Robuste)Modèle Structurel Marginal RobusteAppariement Robuste par Score de PropensionPondération robuste par score de propensionÉquilibrage entropique spatialModèle Structurel Marginal SpatialPondération par score de propension spatiale
ScholarGatePropensity Score Weighting (Propensity Score Weighting Estimator). Consulté le 2026-06-15 sur https://scholargate.app/fr/causal-inference/propensity-score-weighting · Jeu de données : https://doi.org/10.5281/zenodo.20539026