การถ่วงน้ำหนักด้วยส่วนกลับของความน่าจะเป็นแบบหลายช่วงเวลา
การถ่วงน้ำหนักด้วยส่วนกลับของความน่าจะเป็นแบบหลายช่วงเวลา (Multi-period Inverse Probability Weighting - IPW) เป็นการประมาณผลเชิงสาเหตุของการรักษาที่เปลี่ยนแปลงไปตามช่วงเวลาหลายช่วง โดยการถ่วงน้ำหนักการสังเกตการณ์ใหม่ตามความน่าจะเป็นที่จะได้รับการรักษาในแต่ละช่วงเวลา โดยพิจารณาจากประวัติการรักษาในอดีตและตัวแปรกวนที่เปลี่ยนแปลงตามเวลา วิธีนี้จะสร้างประชากรเสมือน (pseudo-population) ที่การรักษาในแต่ละช่วงเวลาเป็นอิสระจากตัวแปรกวนที่วัดได้ ทำให้สามารถประมาณกลยุทธ์การรักษาที่ยั่งยืนได้อย่างไม่เอนเอียง
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 and Hall/CRC. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Multi-period Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/th/causal-inference/multi-period-inverse-probability-weighting
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Dynamic Inverse Probability Weightingการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- แบบจำลองโครงสร้างส่วนเพิ่ม (Marginal Structural Model: MSM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การถ่วงน้ำหนักด้วยส่วนกลับของความน่าจะเป็นสำหรับข้อมูลแผงการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ