Zrównoważone ważenie skłonności warunkowej
Zrównoważone ważenie skłonności warunkowej (Robust Propensity Score Weighting, RPSW) rozszerza standardowe ważenie odwrotności prawdopodobieństwa (inverse probability weighting, IPW) poprzez włączenie zabezpieczeń przed błędną specyfikacją modelu skłonności warunkowej i ekstremalnymi wagami. Łączy techniki takie jak przycinanie wag, ważenie nakładania się (overlap weighting) lub rozszerzone modele wyniku, aby zapewnić, że oszacowania efektu przyczynowego pozostają wiarygodne nawet przy niedoskonałej specyfikacji modelu skłonności warunkowej.
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., Rotnitzky, A., & Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427), 846-866. DOI: 10.1080/01621459.1994.10476818 ↗
- Zhao, Q., Small, D. S., & Bhattacharya, B. B. (2019). Sensitivity analysis for inverse probability weighting estimators via the percentile bootstrap. Journal of the Royal Statistical Society: Series B, 81(4), 735-761. DOI: 10.1111/rssb.12327 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/pl/causal-inference/robust-propensity-score-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
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ porównaj
- Ważenie z wykorzystaniem wyniku skłonności (PSW / IPW)Wnioskowanie przyczynowe↔ porównaj
- Analiza wrażliwości dla przyczynowościWnioskowanie przyczynowe↔ porównaj
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →