Regression model
逆概率治疗加权法 (IPW / IPTW)
逆概率加权法是一种因果推断方法，它为每个观测值分配一个权重，该权重等于其接受实际所接受治疗的概率的倒数。该方法由Robins、Hernán和Brumback（2000）为边际结构模型引入，它构建了一个伪总体，在该总体中，治疗与测量的混杂因素独立，从而平衡了选择偏差。
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 54 项
来源
- Robins, J. M., Hernán, M. A., & Brumback, B. (2000). Marginal Structural Models and Causal Inference in Epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Cole, S. R., & Hernán, M. A. (2008). Constructing Inverse Probability Weights for Marginal Structural Models. American Journal of Epidemiology, 168(6), 656-664. DOI: 10.1093/aje/kwn164 ↗
如何引用本页
ScholarGate. (2026, June 1). Inverse Probability of Treatment Weighting (IPW / IPTW). ScholarGate. https://scholargate.app/zh/causal-inference/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。
- 因果中介分析（自然直接效应和自然间接效应）因果推断↔ 比较
- 因果识别（使用do演算）因果推断↔ 比较
- 双重稳健估计（AIPW）因果推断↔ 比较
- 逻辑回归研究统计学↔ 比较
- 倾向得分匹配研究统计学↔ 比较
被引用于
贝叶斯双重稳健估计贝叶斯熵平衡贝叶斯逆概率加权法贝叶斯边际结构模型贝叶斯倾向得分匹配贝叶斯倾向得分加权粗化精确匹配 (CEM)因果识别（使用do演算）双重稳健估计（AIPW）教育研究中的双重稳健估计动态熵平衡动态逆概率加权动态匹配估计量动态倾向得分匹配熵平衡G-计算（参数G-公式）异质性处理效应双重稳健估计异质性处理效应熵平衡法异质性处理效应逆概率加权法 (HTE-IPW)异质性处理效应边际结构模型 (HTE-MSM)机器学习增强双重稳健估计 (ML-DR)机器学习增强熵平衡法机器学习增强逆概率加权法 (ML-IPW)机器学习增强边际结构模型 (ML-MSM)机器学习增强匹配估计器机器学习增强的倾向得分加权法Marginal Structural Model (MSM)教育研究中的边际结构模型匹配竞争风险分析匹配的IV期研究匹配估计量匹配方法（CEM / 最优 / 遗传）多期双重稳健估计多期反事实概率加权法多期倾向得分加权面板数据逆概率加权面板数据边际结构模型 (MSM)通过粗糙化精确匹配 (CEM) 进行政策评估策略评估双重稳健估计政策评估中的熵平衡法政策评估逆概率加权政策评估边际结构模型政策评估匹配估计量政策评估倾向得分匹配政策评估倾向得分加权教育研究中的倾向得分匹配倾向得分加权法 (PSW / IPW)教育研究中的倾向得分加权风险调整的Kaplan-Meier分析风险调整的IV期研究风险调整生存分析稳健逆概率加权法 (Robust IPW)稳健边际结构模型稳健匹配估计量（偏差校正匹配）稳健倾向得分匹配稳健倾向得分加权法空间双重稳健估计空间反向概率加权（空间IPW）空间边际结构模型空间倾向得分加权Targeted Maximum Likelihood Estimation (TMLE)