Regression modelQuasi-experimental / causal inference
倾向得分加权法 (PSW / IPW)
倾向得分加权是一种因果推断方法，它通过重新加权观测值，使得处理组和未处理组单位的协变量分布看起来可交换，从而能够从观察性数据中无偏地估计平均处理效应。每个单位会获得一个权重，该权重是其实际接受的处理的概率的倒数——这一策略由 Rosenbaum 和 Rubin (1983) 正式提出，并由 Hirano、Imbens 和 Ridder (2003) 给出了其高效的半参数形式。
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 34 项
来源
- Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41 ↗
- Hirano, K., Imbens, G. W., & Ridder, G. (2003). Efficient estimation of average treatment effects using the estimated propensity score. Econometrica, 71(4), 1161-1189. DOI: 10.1111/1468-0262.00442 ↗
如何引用本页
ScholarGate. (2026, June 3). Propensity Score Weighting Estimator. ScholarGate. https://scholargate.app/zh/causal-inference/propensity-score-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。
- 粗化精确匹配 (CEM)因果推断↔ 比较
- 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
- 熵平衡因果推断↔ 比较
- 逆概率治疗加权法 (IPW / IPTW)因果推断↔ 比较
- 倾向得分匹配研究统计学↔ 比较
被引用于
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加权粗化精确匹配 (CEM)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倾向得分匹配熵平衡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)机器学习增强倾向得分匹配机器学习增强的倾向得分加权法Marginal Structural Model (MSM)匹配估计量多期反事实概率加权法多期倾向得分加权在线加权抽样面板数据逆概率加权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稳健逆概率加权法 (Robust IPW)稳健边际结构模型稳健倾向得分匹配稳健倾向得分加权法空间熵平衡空间边际结构模型空间倾向得分加权