Penimbangan Probabilitas Invers Dinamis
Penimbangan Probabilitas Invers Dinamis (Dynamic IPW) mengestimasi efek kausal dari urutan perlakuan yang bervariasi terhadap waktu dengan menimbang ulang data observasi untuk meniru uji coba acak hipotetis. Dikembangkan oleh Robins dan kolega dalam konteks model struktural marjinal, metode ini menangani tantangan bahwa dalam pengaturan longitudinal, perlakuan masa lalu memengaruhi kovariat masa depan, yang pada gilirannya memengaruhi perlakuan masa depan — sebuah lingkaran umpan balik yang tidak dapat diuraikan oleh regresi standar.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/id/causal-inference/dynamic-inverse-probability-weighting
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Estimasi Robust Ganda (AIPW)Inferensi Kausal↔ bandingkan
- Bobot Probabilitas Invers (IPW / IPTW)Inferensi Kausal↔ bandingkan
- Model Struktural Marginal (MSM)Inferensi Kausal↔ bandingkan
- Pembobotan Skor Propensitas (PSW / IPW)Inferensi Kausal↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →