Regression modelQuasi-experimental / causal inference

Ważenie z wykorzystaniem wyniku skłonności (PSW / IPW)

Ważenie z wykorzystaniem wyniku skłonności jest metodą wnioskowania przyczynowego, która przypisuje wagi obserwacjom tak, aby rozkłady zmiennych zakłócających w grupach potraktowanych i niepotraktowanych wyglądały na wymienne, co umożliwia bezstronne oszacowanie średnich efektów traktowania na podstawie danych obserwacyjnych. Każda jednostka otrzymuje wagę będącą odwrotnością prawdopodobieństwa otrzymania faktycznie otrzymanego traktowania — strategia ta została sformalizowana przez Rosenbauma i Rubina (1983), a jej efektywną, semiparametryczną formę przedstawili Hirano, Imbens i Ridder (2003).

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

+34 more

Źródła

  1. Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41
  2. 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

Jak cytować tę stronę

ScholarGate. (2026, June 3). Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/pl/causal-inference/propensity-score-weighting

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Cytowana przez

Bayesowskie balansowanie entropiiBayesian Inverse Probability WeightingBayesowski marginalny model strukturalnyBayesowskie ważenie z wykorzystaniem wyniku skłonnościCoarsened Exact Matching (CEM)Estymacja podwójnie odporna (DR) w badaniach edukacyjnychDynamiczne szacowanie wpływu w oparciu o kontrfaktywyDynamic Entropy BalancingDynamiczne ważenie odwrotnością prawdopodobieństwaDynamiczne dopasowanie na podstawie skłonności (DPSM)Entropy BalancingDwukrotnie odporna estymacja heterogenicznych efektów przyczynowychRównoważenie entropijne heterogenicznych efektów oddziaływaniaHeterogeneous Treatment Effect Inverse Probability WeightingHeterogeniczny Model Strukturalny dla Efektów Marginalnych (HTE-MSM)Estymacja podwójnie odporna wspomagana uczeniem maszynowym (ML-DR)Machine Learning-Augmented Inverse Probability WeightingUzupełniony o uczenie maszynowe marginalny model strukturalny (ML-MSM)Dopasowanie wyników skłonności wspomagane uczeniem maszynowymWażenie zaugmentowane uczeniem maszynowymModel strukturalny brzegowy (MSM)Estymator dopasowującyWielookresowe ważenie odwrotnością prawdopodobieństwaMulti-period Propensity Score WeightingPobieranie wag w próbkach internetowychWażenie odwrotnością prawdopodobieństwa dla danych panelowychWażenie danych panelowych za pomocą skłonności (Propensity Score Weighting)Polityczna ocena z podwójnie odpornym estymatoremOcena polityki ważenie odwrotnością prawdopodobieństwaMarginalny Model Strukturalny Oceny PolitykiDopasowywanie wyników skłonności w ocenie politykiOcena polityki ważona wynikiem skłonnościPropensity Score Matching in Education ResearchRobust Inverse Probability Weighting (Robust IPW)Solidny marginalny model strukturalnyRobust Propensity Score MatchingZrównoważone ważenie skłonności warunkowejRównoważenie entropowe przestrzennePrzestrzenny marginalny model strukturalnySpatial Propensity Score Weighting
ScholarGatePropensity Score Weighting (Propensity Score Weighting Estimator). Pobrano 2026-06-15 z https://scholargate.app/pl/causal-inference/propensity-score-weighting · Zbiór danych: https://doi.org/10.5281/zenodo.20539026