Dynamische Inverse Waarschijnlijkheids Weging
Dynamische Inverse Waarschijnlijkheids Weging (Dynamic IPW) schat het causale effect van een in de tijd variërende behandelingsreeks door geobserveerde gegevens te herwegen om een hypothetische gerandomiseerde studie na te bootsen. Ontwikkeld door Robins en collega's in de context van marginale structurele modellen, pakt het de uitdaging aan dat in longitudinale settings eerdere behandeling toekomstige covariaten beïnvloedt, die op hun beurt toekomstige behandeling beïnvloeden — een feedbacklus die standaardregressie niet kan ontwarren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/nl/causal-inference/dynamic-inverse-probability-weighting
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Dubbel Robuuste Schatting (AIPW)Causale inferentie↔ vergelijken
- Inverse Probability of Treatment Weighting (IPW / IPTW)Causale inferentie↔ vergelijken
- Marginaal Structureel Model (MSM)Causale inferentie↔ vergelijken
- Propensity Score Weighting (PSW / IPW)Causale inferentie↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →