Regression modelQuasi-experimental / causal inference

贝叶斯逆概率加权法

贝叶斯逆概率加权法（Bayesian IPW）通过为倾向得分模型参数设置先验分布，并将这种不确定性传播到因果效应估计中，从而扩展了经典的IPW估计量。其结果是平均处理效应的后验分布，该分布充分考虑了倾向得分估计不确定性和结果模型不确定性，从而能够进行可信区间推断，而不是依赖于渐近近似。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

方法图谱

相关方法的邻域——选择一个节点以展开探索。

贝叶斯逆概率加权法

贝叶斯双重差分法贝叶斯倾向得分匹配双重稳健估计（AIPW）逆概率治疗加权法 (IPW / IPTW)Marginal Structural Mode…倾向得分加权法 (PSW / IPW)

来源

Saarela, O., Stephens, D. A., Moodie, E. E. M., & Klein, M. B. (2015). On risk prediction and characterisation of treatment effects in a Bayesian framework using the propensity score. Statistics in Medicine, 34(14), 2170-2185. link ↗
Liao, S. X., & Zigler, C. M. (2020). Uncertainty in the design stage of two-stage Bayesian propensity score analysis. Statistics in Medicine, 39(17), 2265-2290. DOI: 10.1002/sim.8486 ↗

如何引用本页

ScholarGate. (2026, June 3). Bayesian Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/zh/causal-inference/bayesian-inverse-probability-weighting

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

并排比较 →

发现本页有问题？报告或提出修改建议 →