Regression modelQuasi-experimental / causal inference
동적 역확률 가중치
동적 역확률 가중치(Dynamic IPW)는 관찰 데이터를 재가중하여 가상 무작위 시험을 모방함으로써 시간 가변 치료 순서의 인과 효과를 추정합니다. 마진 구조 모델의 맥락에서 Robins와 동료들이 개발했으며, 종단 설정에서 과거 치료가 미래 공변량에 영향을 미치고, 이는 다시 미래 치료에 영향을 미치는 피드백 루프를 표준 회귀로는 풀 수 없는 문제를 처리합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/ko/causal-inference/dynamic-inverse-probability-weighting
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 이중 강건 추정 (AIPW)인과추론↔ 비교
- 역확률 가중치 (Inverse Probability Weighting, IPW / IPTW)인과추론↔ 비교
- Marginal Structural Model (MSM)인과추론↔ 비교
- 성향 점수 가중치 (PSW / IPW)인과추론↔ 비교