Bayesian Inverse Probability Weighting
Bayesian Inverse Probability Weighting (Bayesian IPW) extends the classical IPW estimator by placing prior distributions over the propensity-score model parameters and propagating that uncertainty into the causal-effect estimate. The result is a posterior distribution for the average treatment effect that fully accounts for both propensity-score estimation uncertainty and outcome-model uncertainty, enabling credible-interval inference rather than relying on asymptotic approximations.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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. · URL
- 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
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.