Process / pipelinecausal-inference
Abbinamento del punteggio di propensione
L'abbinamento del punteggio di propensione (PSM) è un metodo per ridurre il bias di confondimento negli studi osservazionali bilanciando le caratteristiche di base tra i gruppi di trattamento, simulando la randomizzazione. Sviluppato da Rosenbaum e Rubin (1983), stima la probabilità di ricevere il trattamento dati i covariati osservati, quindi abbina o pondera individui trattati e di controllo con probabilità di trattamento simili. Ampiamente utilizzato in medicina, epidemiologia e valutazione delle politiche quando gli studi randomizzati sono infattibili o non etici, consente la stima degli effetti del trattamento controllando il bias di selezione.
Leggi il metodo completo
Riservato ai membri
AccediAccedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+114 more
Fonti
- 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 ↗
- Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424. DOI: 10.1080/00273171.2011.568786 ↗
- Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. DOI: 10.1037/h0037350 ↗
Come citare questa pagina
ScholarGate. (2026, June 4). Propensity Score Matching and Weighting. ScholarGate. https://scholargate.app/it/research-statistics/propensity-score-matching
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Regressione LogisticaStatistica per la ricerca↔ compare
- Analisi di Regressione MultiplaStatistica per la ricerca↔ compare
- Analisi di sopravvivenzaStatistica per la ricerca↔ compare
Citato da
Coarsened Exact Matching BayesianaDisegno Bayesiano Ex Post FactoVariabili Strumentali Bayesiane (IV Bayesiana)Stimatore di Matching BayesianoRicerca Quantitativa Osservazionale BayesianaAbbinamento Bayesiano del Punteggio di PropensionePonderazione Bayesiana del Punteggio di PropensioneDisegno di Regressione Discontinua BayesianaAnalisi di Sensibilità Bayesiana per la CausalitàAlgoritmi di Scoperta Causale (PC, FCI, LiNGAM)Analisi di Impatto CausaleCoarsened Exact Matching (CEM)Valutazione Controfattuale dell'Impatto (CIE)Valutazione d'impatto controfattuale nella ricerca educativaIdentificazione Causale con Grafi Aciclici Diretti (do-calculus)Difference-in-Differences (Diff-in-Diff)Difference-in-Differences nella Ricerca sull'IstruzioneStima a Doppia Robustezza (AIPW)Stima a Doppia Robustezza nella Ricerca EducativaStimatore a Corrispondenza DinamicaAbbinamento Dinamico del Punteggio di PropensioneEntropy BalancingRegression Discontinuity Design FuzzyRegression Discontinuity Design Fuzzy nell'EducazioneAnalisi di Impatto Causale degli Effetti Eterogenei del TrattamentoCoarsened Exact Matching per Effetti del Trattamento EterogeneiValutazione d'Impatto Controfattuale degli Effetti Eterogenei del TrattamentoStimatore di Matching per Effetti Eterogenei del TrattamentoPropensity Score Matching per l'Effetto del Trattamento EterogeneoAnalisi di Sensibilità degli Effetti Eterogenei del Trattamento per la CausalitàEffetti Eterogenei del Trattamento (CATE / Meta-Learner)Variabili Strumentali nella Ricerca sull'IstruzioneAnalisi delle Serie Storiche Interrotte (ITS)Serie temporali interrotte nella ricerca educativaInverse Probability of Treatment Weighting (IPW / IPTW)Ponderazione con Probabilità Inversa nella Ricerca EducativaEffetto Medio Locale del Trattamento (LATE / CACE)Regressione LogisticaCoarsened Exact Matching aumentato con Machine Learning (ML-CEM)Valutazione d'impatto controfattuale aumentata dall'apprendimento automaticoDifferenza-in-differenze aumentata con Machine Learning (ML-DiD)Bilanciamento dell'Entropia Aumentato dal Machine LearningVariabili Strumentali Aumentate con Machine Learning (ML-IV)Stimatore di Abbinamento Aumentato con Machine LearningMachine Learning-Augmented Propensity Score MatchingRegressione Discontinua Aumentata con Machine LearningAnalisi di Sensibilità Potenziata dal Machine Learning per la CausalitàModello Strutturale Marginale nella Ricerca EducativaStudio caso-controllo con appaiamentoStudio di coorte con abbinamentoAnalisi delle cause competitive con abbinamentoAnalisi di Kaplan-Meier con abbinamentoStudio caso-controllo nidificato con appaiamentoStudio clinico randomizzato di Fase II con abbinamentoStudio Clinico di Fase III con Abbinamento (Matched Phase III Clinical Trial)Studio di Fase IV con abbinamentoAnalisi di sopravvivenza appaiataStimatore per MatchingMetodi di Matching (CEM / Ottimale / Genetico)Coarsened Exact Matching Multi-periodStima a doppia robustezza multiperiodaleStimatore a Corrispondenza Multi-PeriodoMultiple ImputationCoarsened Exact Matching per Dati PanelDifferenza nelle Differenze con Dati Panel (Panel DiD / TWFE)Stimatore di Matching su Dati PanelAbbinamento basato sul punteggio di propensione per dati panelPonderazione basata sul punteggio di propensione per dati panelPlacebo Test nella Ricerca sull'IstruzioneValutazione delle politiche tramite Coarsened Exact Matching (CEM)Valutazione d'Impatto Controfattuale (CIE) per la Valutazione delle PoliticheValutazione delle Politiche Differenza nelle DifferenzeEntropy Balancing per la Valutazione delle PoliticheRegression Discontinuity Fuzzy per la Valutazione delle PoliticheValutazione delle politiche con variabili strumentaliValutazione di politiche mediante ponderazione per l'inverso della probabilitàEstimatore per la Valutazione delle Politiche basato sul MatchingStudio di evento su dati panelPolicy Evaluation Propensity Score MatchingPolicy Evaluation Propensity Score WeightingValutazione delle Politiche: Disegno a Regressione DiscontinuaMetodo del Controllo Sintetico per la Valutazione delle PolitichePonderazione basata sul punteggio di propensione (PSW / IPW)Ponderazione basata sul punteggio di propensione nella ricerca educativaDisegno a Regressione Discontinua (RDD)Disegno a Regressione Discontinua (RDD)Disegno a Regressione Discontinua nella Ricerca sull'IstruzioneSerie di casi aggiustata per il rischioStudio caso-controllo aggiustato per il rischioDisegno caso-crossover aggiustato per il rischioStudio di coorte aggiustato per il rischioAnalisi dei rischi concorrenti aggiustata per il rischioRegressione di Cox con hazard proporzionali aggiustata per il rischioStudio epidemiologico trasversale aggiustato per il rischioAnalisi di Kaplan-Meier aggiustata per il rischioStudio caso-controllo annidato aggiustato per il rischioStudio di Fase IV aggiustato per il rischioAnalisi di Sopravvivenza Corretta per il RischioValutazione d'Impatto Causale RobustaRobust Fuzzy Regression Discontinuity DesignPonderazione Inversa di Probabilità Robusta (IPW Robusta)Stimatore di Matching Robusto (Matching con Correzione del Bias)Abbinamento Robusto del Punteggio di PropensionePonderazione Robusta del Punteggio di PropensioneRegression Discontinuity Disegni RobustaAnalisi di sensibilità per la causalitàAnalisi di Sensibilità per la Causalità nella Ricerca sull'EducazioneAnalisi di sensibilità per bias nascosto (Limiti di Rosenbaum / E-value)Ricerca causale-comparativa assistita da simulazioneAnalisi Spaziale dell'Impatto CausaleSpatial Coarsened Exact Matching (Spatial CEM)Valutazione d'Impatto Spaziale Controfattuale (SCIE)Stima Spazialmente Doppiamente RobustaSpatial Inverse Probability Weighting (Spatial IPW)Spatial Matching EstimatorAbbinamento Spaziale del Punteggio di PropensioneDisegno di Regressione con Discontinuità Spaziale (Spatial RDD)Analisi di sensibilità spaziale per la causalitàMetodo del Controllo Sintetico SpazialeAnalisi di sopravvivenzaMetodo del Controllo Sintetico (SCM)Metodo del Controllo Sintetico nella Ricerca sull'EducazioneVariabili Strumentali tramite Minimi Quadrati a Due Stadi (IV/2SLS)
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →