Dynamic Inverse Probability Weighting for Time-Varying Treatments
I en enkel studie kan man justera för störfaktorer genom att inkludera dem i en regression. Men när behandling ges vid flera tidpunkter kan en kovariat vid tidpunkt t samtidigt vara en störfaktor för nästa behandlingsbeslut och en mediator för den föregående. Att justera för den i regressionen tar bort både confounding och blockerar den kausala vägen – vilket är motsägelsefullt. Dynamisk IPW kringgår detta genom att skapa en pseudopopulation: varje person viktas med inversen av sannolikheten att de följde sin faktiska behandlingssekvens givet sin kovariathistorik. Subjekt med osannolika behandlingsförlopp viktas upp, vilket effektivt balanserar populationen över behandlingssekvenser som om behandlingen randomiserats vid varje tidpunkt.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/sv/causal-inference/dynamic-inverse-probability-weighting
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Dubbelt robust skattning (AIPW)Kausal inferens↔ jämför
- Viktning med inversa sannolikheter för behandling (IPW / IPTW)Kausal inferens↔ jämför
- Marginal Structural Model (MSM)Kausal inferens↔ jämför
- Propensitetspoängsviktning (PSW / IPW)Kausal inferens↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →