Dynamic Inverse Probability Weighting
Dynamic Inverse Probability Weighting (Dynamic IPW) เป็นการประมาณค่าผลเชิงสาเหตุของลำดับการรักษาที่เปลี่ยนแปลงตามเวลา โดยการถ่วงน้ำหนักข้อมูลที่สังเกตได้ใหม่เพื่อเลียนแบบการทดลองแบบสุ่มที่มีการควบคุม (randomised trial) วิธีนี้พัฒนาโดย Robins และคณะ ในบริบทของแบบจำลองโครงสร้างส่วนเพิ่ม (marginal structural models) เพื่อจัดการกับความท้าทายที่ว่า ในการตั้งค่าแบบติดตามระยะยาว การรักษาในอดีตส่งผลต่อตัวแปรกวนในอนาคต ซึ่งในทางกลับกันก็ส่งผลต่อการรักษาในอนาคต — เป็นวงป้อนกลับที่แบบจำลองถดถอยมาตรฐานไม่สามารถแยกแยะได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/th/causal-inference/dynamic-inverse-probability-weighting
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- แบบจำลองโครงสร้างส่วนเพิ่ม (Marginal Structural Model: MSM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ