Telpiskā noslieces rādītāja svēršana
Telpiskā noslieces rādītāja svēršana paplašina apgriezto varbūtības svēršanu (IPTW) uz gadījumiem, kad vienības ir ģeogrāfiski izvietotas un ārstēšanas piešķiršana var būt atkarīga no telpiskiem faktoriem, piemēram, atrašanās vietas, apkaimes raksturlielumiem vai telpiskās klasterizācijas. Iekļaujot telpiskos kovariātus noslieces rādītāja modelī un pielāgojot standarta kļūdas telpiskajai autokorelācijai, tas rada ticamākus cēloņsakarību novērtējumus no novērojumu ģeogrāfiskajiem datiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Keele, L., & Titiunik, R. (2015). Geographic Boundaries as Regression Discontinuities. Political Analysis, 23(1), 127-155. DOI: 10.1093/pan/mpu014 ↗
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient Estimation of Average Treatment Effects Using the Estimated Propensity Score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Spatial Propensity Score Weighting for Causal Inference. ScholarGate. https://scholargate.app/lv/causal-inference/spatial-propensity-score-weighting
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Ģeogrāfiski svērtā regresija (GWR)Telpiskā analīze↔ salīdzināt
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ salīdzināt
- Aproksimēta novērtēšana (PSW / IPW)Cēloņsakarību secināšana↔ salīdzināt
- Diferencē-differences metodes telpiskā analīzeCēloņsakarību secināšana↔ salīdzināt
- Spatial Propensity Score MatchingCēloņsakarību secināšana↔ salīdzināt
- Telpiskās regresijas diskontinuitātes dizains (Spatial RDD)Cēloņsakarību secināšana↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →