เปรียบเทียบวิธี

	การถ่วงน้ำหนักด้วยส่วนกลับของความน่าจะเป็นแบบหลายช่วงเวลา	Dynamic Inverse Probability Weighting
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2000	1986-2000
ผู้ริเริ่ม	Robins, Hernan & Brumback	James M. Robins and colleagues
ประเภท	Weighted causal estimator	Causal weighting estimator
แหล่งต้นตำรับ	Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560.	Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560.
ชื่อเรียกอื่น	longitudinal IPW, multi-period IPW, time-varying IPW, sequential IPW	Dynamic IPW, Time-varying IPW, Longitudinal IPW, Sequential IPW
ที่เกี่ยวข้อง	6	4
สรุป	Multi-period Inverse Probability Weighting (IPW) estimates the causal effect of a treatment that varies across multiple time periods by reweighting observations according to the probability of receiving each period's treatment given past treatment history and time-varying confounders. It creates a pseudo-population where treatment at each period is independent of measured confounders, enabling unbiased estimation of sustained treatment strategies.	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.