49
个编辑
更改
无编辑摘要
当数据缺失的受试者不能被纳入主要分析时，逆概率加权也被用来解释缺失的数据<ref>{{cite journal | last1 = Hernan | first1 = MA | last2 = Robins | first2 = JM | year = 2006 | title = Estimating Causal Effects From Epidemiological Data | citeseerx = 10.1.1.157.9366 | journal = J Epidemiol Community Health | volume = 60 | issue = 7 | pages = 578–596 | doi=10.1136/jech.2004.029496| pmc = 2652882 | pmid=16790829}}</ref>。有了对抽样概率的估计，或该因素在另一次测量中被测量的概率，逆概率加权可以用来提高那些由于数据缺失程度大而代表性不足的受试者的权重。
当数据缺失的受试者不能被纳入主要分析时，逆概率加权也被用来解释缺失的数据<ref>{{cite journal | last1 = Hernan | first1 = MA | last2 = Robins | first2 = JM | year = 2006 | title = Estimating Causal Effects From Epidemiological Data | citeseerx = 10.1.1.157.9366 | journal = J Epidemiol Community Health | volume = 60 | issue = 7 | pages = 578–596 | doi=10.1136/jech.2004.029496| pmc = 2652882 | pmid=16790829}}</ref>。有了对抽样概率的估计，或该因素在另一次测量中被测量的概率，逆概率加权可以用来提高那些由于数据缺失程度大而代表性不足的受试者的权重。
== 逆概率加权估计量(Inverse Probability Weighted Estimator, IPWE) ==
== 逆概率加权估计量 ==
当研究人员不能进行控制实验，但有观测数据进行建模时，逆概率加权估计量(Inverse Probability Weighted Estimator, IPWE)可用于证明因果关系。因为假设治疗不是随机分配的，如果总体中的所有受试者被分配了任何一种治疗，则目标是估计反事实或潜在结果。
假设观测数据是<math>\{\bigl(X_i,A_i,Y_i\bigr)\}^{n}_{i=1}</math>，这些数据是从未知的分布中抽取出来的独立同分布（[[Independent and identically distributed random variables|independent and identically distributed, i.i.d]]）数据，其中
假设观测数据是<math>\{\bigl(X_i,A_i,Y_i\bigr)\}^{n}_{i=1}</math>，这些数据是从未知的分布中抽取出来的独立同分布（[[Independent and identically distributed random variables|independent and identically distributed, i.i.d]]）数据，其中