Dynamic Inverse Probability Weighting
Dynamic Inverse Probability Weighting (Dynamic IPW) estimates the causal effect of a time-varying treatment sequence by reweighting observed data to mimic a hypothetical randomised trial. Developed by Robins and colleagues in the context of marginal structural models, it handles the challenge that in longitudinal settings, past treatment affects future covariates, which in turn affect future treatment — a feedback loop that standard regression cannot untangle.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.