Dynamiczne ważenie odwrotnością prawdopodobieństwa
Dynamiczne ważenie odwrotnością prawdopodobieństwa (Dynamic IPW) szacuje przyczynowy efekt sekwencji czasowo zmiennych interwencji poprzez reważenie obserwowanych danych w celu naśladowania hipotetycznego badania randomizowanego. Metoda ta, opracowana przez Robinsa i współpracowników w kontekście marginalnych modeli strukturalnych, radzi sobie z wyzwaniem, że w ustawieniach podłużnych przeszłe interwencje wpływają na przyszłe kowariaty, które z kolei wpływają na przyszłe interwencje — pętla sprzężenia zwrotnego, której standardowa regresja nie jest w stanie rozwikłać.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/pl/causal-inference/dynamic-inverse-probability-weighting
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Estymacja podwójnie odporna (AIPW)Wnioskowanie przyczynowe↔ porównaj
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ porównaj
- Model strukturalny brzegowy (MSM)Wnioskowanie przyczynowe↔ porównaj
- Ważenie z wykorzystaniem wyniku skłonności (PSW / IPW)Wnioskowanie przyczynowe↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →