Regression modelQuasi-experimental / causal inference
Marginal Structural Model (MSM)
边际结构模型（MSM）是一种因果建模框架，旨在估计时变处理在受先前处理影响的时变混杂因素存在下的效应。通过对观测值进行逆概率处理权重（IPTW）重加权，MSM 创建了一个伪总体，在该总体中混杂因素被消除，从而能够无偏地估计因果处理对比，即使在标准回归调整会失败的情况下。
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 26 项
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). Marginal Structural Model with Inverse Probability of Treatment Weighting. ScholarGate. https://scholargate.app/zh/causal-inference/marginal-structural-model
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。
- 双重差分法 (Diff-in-Diff)计量经济学↔ 比较
- 双重稳健估计（AIPW）因果推断↔ 比较
- G-计算（参数G-公式）因果推断↔ 比较
- 逆概率治疗加权法 (IPW / IPTW)因果推断↔ 比较
- 倾向得分加权法 (PSW / IPW)因果推断↔ 比较
被引用于
贝叶斯双重稳健估计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加权贝叶斯敏感性分析用于因果关系教育研究中的双重稳健估计动态反事实影响评估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异质性处理效应反事实影响评估异质性处理效应双重稳健估计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)机器学习增强边际结构模型 (ML-MSM)多期反事实影响评估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)面板数据倾向得分加权策略评估双重稳健估计政策评估逆概率加权政策评估边际结构模型稳健逆概率加权法 (Robust IPW)稳健边际结构模型稳健倾向得分加权法空间边际结构模型