Dinamiskā tendences rādītāja saskaņošana
Dinamiskā tendenču rādītāju saskaņošana (DPSM) paplašina klasisko tendenču rādītāju saskaņošanu situācijām, kurās ārstēšana tiek piešķirta atkārtoti laika gaitā un agrākas ārstēšanas izvēles ietekmē vēlākas. Tā novērtē veselu ārstēšanas secību vai režīma izmaiņu cēloņsakarību, veidojot saskaņotus salīdzinājumus katrā lēmumu pieņemšanas punktā, izmantojot pilnu kovariātu vēsturi un iepriekšējās ārstēšanas metodes.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Lechner, M., & Miquel, R. (2010). Identification of the effects of dynamic treatments by sequential conditional independence assumptions. Empirical Economics, 39(1), 111-137. DOI: 10.1007/s00181-009-0297-3 ↗
- Robins, J. M. (1986). A new approach to causal inference in mortality studies with a sustained exposure period — application to control of the healthy worker survivor effect. Mathematical Modelling, 7(9-12), 1393-1512. DOI: 10.1016/0270-0255(86)90088-6 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Propensity Score Matching for Sequential Treatments. ScholarGate. https://scholargate.app/lv/causal-inference/dynamic-propensity-score-matching
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
- Dinamiskā "starpību starpībās" metodeCēloņsakarību secināšana↔ salīdzināt
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ salīdzināt
- Marginal Structural Model (MSM)Cēloņsakarību secināšana↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →