Regression modelQuasi-experimental / causal inference

贝叶斯倾向得分加权

贝叶斯倾向得分加权通过结合贝叶斯倾向得分模型和逆概率加权来估计观察性数据中的因果处理效应。通过对倾向得分参数设置先验并使后验不确定性贯穿加权步骤，该方法为平均处理效应提供了完全概率性的不确定性区间，考虑了得分模型和结果模型中的不确定性。

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。

贝叶斯倾向得分加权

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

来源

McCandless, L. C., Gustafson, P., & Austin, P. C. (2009). Bayesian propensity score analysis for observational data. Statistics in Medicine, 28(1), 94–112. DOI: 10.1002/sim.3460 ↗
Saarela, O., Stephens, D. A., Moodie, E. E. M., & Klein, M. B. (2015). On Bayesian estimation of marginal structural models. Biometrics, 71(2), 279–288. DOI: 10.1111/biom.12269 ↗

如何引用本页

ScholarGate. (2026, June 3). Bayesian Propensity Score Weighting for Causal Inference. ScholarGate. https://scholargate.app/zh/causal-inference/bayesian-propensity-score-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 →