Bayesian Inverse Probability Weighting
Bayesian Inverse Probability Weighting (Bayesian IPW) paplašina klasisko IPW novērtētāju, piešķirot iepriekšējas distributions parametru novērtējumiem un propagējot šo nenoteiktību vidējā efektu novērtējumā. Rezultātā tiek iegūta vidējā ārstēšanas efekta posteriora distribūcija, kas pilnībā ņem vērā gan propensivitātes novērtējuma nenoteiktību, gan iznākuma modeļa nenoteiktību, ļaujot veikt ticamības intervālu secinājumus, nepaļaujoties uz asimptotiskām aproksimācijām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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. link ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/lv/causal-inference/bayesian-inverse-probability-weighting
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Beijesa atšķirību atšķirību metodeCēloņsakarību secināšana↔ salīdzināt
- Bejeziešu tendenču rādītāju saskaņošanaCēloņsakarību secināšana↔ salīdzināt
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ salīdzināt
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ salīdzināt
- Marginal Structural Model (MSM)Cēloņsakarību secināšana↔ salīdzināt
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →