Regression modelQuasi-experimental / causal inference

动态逆概率加权

动态逆概率加权（Dynamic IPW）通过对观测数据进行重加权以模拟假设的随机试验，来估计时变治疗序列的因果效应。该方法由 Robins 及其同事在边际结构模型（marginal structural models）的背景下开发，解决了纵向研究中过去治疗影响未来协变量，而协变量又影响未来治疗的挑战——这是一个标准回归模型无法解开的反馈循环。

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。

动态逆概率加权

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)动态熵平衡多期反事实概率加权法

来源

Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
Hernan, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. link ↗

如何引用本页

ScholarGate. (2026, June 3). Dynamic Inverse Probability Weighting for Time-Varying Treatments. ScholarGate. https://scholargate.app/zh/causal-inference/dynamic-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 →

被引用于

动态熵平衡多期反事实概率加权法

发现本页有问题？报告或提出修改建议 →