การถ่วงน้ำหนักคะแนนความโน้มเอียงแบบทนทาน
การถ่วงน้ำหนักคะแนนความโน้มเอียงแบบทนทาน (Robust Propensity Score Weighting) เป็นการขยายการถ่วงน้ำหนักผกผันความน่าจะเป็นมาตรฐาน โดยการเพิ่มกลไกป้องกันการระบุแบบจำลองคะแนนความโน้มเอียงผิดพลาดและน้ำหนักที่มากเกินไป วิธีการนี้รวมเทคนิคต่างๆ เช่น การตัดน้ำหนัก, การถ่วงน้ำหนักความทับซ้อน, หรือแบบจำลองผลลัพธ์ที่เพิ่มเข้ามา เพื่อให้แน่ใจว่าการประมาณค่าผลกระทบเชิงสาเหตุยังคงเชื่อถือได้ แม้ว่าแบบจำลองคะแนนความโน้มเอียงจะระบุไม่สมบูรณ์ก็ตาม
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/th/causal-inference/robust-propensity-score-weighting
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การประมาณค่าแบบทนทานสองเท่า (AIPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- แบบจำลองโครงสร้างส่วนเพิ่ม (Marginal Structural Model: MSM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ เปรียบเทียบ
- การถ่วงน้ำหนักด้วยคะแนนแนวโน้ม (Propensity Score Weighting - PSW / IPW)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การวิเคราะห์ความไวต่อเหตุปัจจัยเชิงสาเหตุการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ