Regression modelQuasi-experimental / causal inference
空间反向概率加权（空间IPW）
空间反向概率加权将经典IPW估计量扩展到单位具有地理参考且空间位置是混淆维度的设置。通过将地理坐标或空间邻近性纳入倾向得分模型，它对观测样本进行重加权，使得处理组和对照组不仅在观测协变量上，而且在空间结构上也达到平衡，从而能够从空间索引的观测数据中进行可信的因果推断。
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
- 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 ↗
- Papadogeorgou, G., Choirat, C., & Zigler, C. M. (2019). Adjusting for unmeasured spatial confounding with distance adjusted propensity score matching. Biostatistics, 20(2), 256-272. DOI: 10.1093/biostatistics/kxx074 ↗
如何引用本页
ScholarGate. (2026, June 3). Spatial Inverse Probability Weighting Estimator. ScholarGate. https://scholargate.app/zh/causal-inference/spatial-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
- 地理加权回归 (GWR)空间分析↔ 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
- 空间回归（空间滞后和空间误差模型）计量经济学↔ 比较