Regression modelQuasi-experimental / causal inference

动态倾向得分匹配

动态倾向得分匹配（DPSM）将经典倾向得分匹配扩展到治疗随时间重复分配且早期治疗选择影响后期选择的情境。它通过在每个决策点使用协变量和先前治疗的完整历史构建匹配比较，来估计整个治疗序列或方案变化的因果效应。

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。

动态倾向得分匹配

双重稳健估计（AIPW）动态双重差分逆概率治疗加权法 (IPW / IPTW)Marginal Structural Mode…倾向得分匹配倾向得分加权法 (PSW / IPW)动态熵平衡

来源

Lechner, M., & Miquel, R. (2010). Identification of the effects of dynamic treatments by sequential conditional independence assumptions. Empirical Economics, 39(1), 111-137. DOI: 10.1007/s00181-009-0297-3 ↗
Robins, J. M. (1986). A new approach to causal inference in mortality studies with a sustained exposure period — application to control of the healthy worker survivor effect. Mathematical Modelling, 7(9-12), 1393-1512. DOI: 10.1016/0270-0255(86)90088-6 ↗

如何引用本页

ScholarGate. (2026, June 3). Dynamic Propensity Score Matching for Sequential Treatments. ScholarGate. https://scholargate.app/zh/causal-inference/dynamic-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。

并排比较 →

被引用于

动态熵平衡

发现本页有问题？报告或提出修改建议 →