Regression modelQuasi-experimental / causal inference
贝叶斯倾向得分匹配
贝叶斯倾向得分匹配（Bayesian PSM）通过对倾向模型参数设置先验分布，并将后验不确定性传播到匹配和结果阶段，从而扩展了经典的倾向得分匹配。该方法由 Kaplan 和 Chen (2012) 正式提出，它提供了一种原则性的估计不确定性处理方法，而频率学派匹配通常会忽略这一点，并允许纳入关于处理选择的实质性先验知识。
阅读完整方法
仅限会员
登录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。
另有 1 项
来源
- Kaplan, D., & Chen, J. (2012). A Two-Step Bayesian Approach for Propensity Score Analysis: Simulations and Case Study. Psychometrika, 77(3), 581-609. DOI: 10.1007/s11336-012-9262-8 ↗
- Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41 ↗
如何引用本页
ScholarGate. (2026, June 3). Bayesian Propensity Score Matching Estimator. ScholarGate. https://scholargate.app/zh/causal-inference/bayesian-propensity-score-matching
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。
- 贝叶斯双重差分法因果推断↔ 比较
- 粗化精确匹配 (CEM)因果推断↔ 比较
- 双重稳健估计（AIPW）因果推断↔ 比较
- 熵平衡因果推断↔ 比较
- 逆概率治疗加权法 (IPW / IPTW)因果推断↔ 比较
- 倾向得分匹配研究统计学↔ 比较