Dinamiskā apgrieztā varbūtības svēršana
Dinamiskās apgrieztās varbūtības svēršanas (Dynamic IPW) metode novērtē laika mainīga ārstēšanas secības cēloņseku, pārsverot novērotos datus, lai imitētu hipotētisku randomizētu pētījumu. Šo metodi, ko Robins un kolēģi izstrādāja saistībā ar marginālo strukturālo modeļu kontekstu, izmanto, lai risinātu problēmu, ka garumā (longitudinal) novērojumos iepriekšējā ārstēšana ietekmē nākamā perioda kovariātus, kas savukārt ietekmē nākamās ārstēšanas izvēli — atgriezeniskā saite, ko standarta regresija nespēj atšķetināt.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/lv/causal-inference/dynamic-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.
- 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
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →