Regression modelQuasi-experimental / causal inference
多期反事实概率加权法
多期反事实概率加权法（Multi-period Inverse Probability Weighting, IPW）通过根据过去治疗史和时变混淆变量下的各期治疗概率对观测值进行重加权，来估计随多个时间段变化的治疗的因果效应。它创建了一个伪群体，其中各期的治疗与可测量的混淆变量独立，从而能够无偏地估计持续性治疗策略。
在 MethodMind 中打开即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
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。
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 and Hall/CRC. link ↗
如何引用本页
ScholarGate. (2026, June 3). Multi-period Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/zh/causal-inference/multi-period-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。
- 双重稳健估计（AIPW）因果推断↔ 比较
- 动态逆概率加权因果推断↔ 比较
- 逆概率治疗加权法 (IPW / IPTW)因果推断↔ 比较
- Marginal Structural Model (MSM)因果推断↔ 比较
- 面板数据逆概率加权因果推断↔ 比较
- 倾向得分加权法 (PSW / IPW)因果推断↔ 比较