में दी गई जानकारी को प्राप्त करने के लिए गणना की गई प्रवृत्ति स्कोर विषय की संभावना है । IPTW प्रक्रिया बनाने की कोशिश करता जवाबी तथ्यात्मक प्रवृत्ति स्कोर का उपयोग कर निष्कर्ष अधिक प्रमुख। उपचार प्राप्त करने की उच्च संभावना होने और फिर वास्तव में उपचार प्राप्त करने की अपेक्षा की जाती है, वहां कोई भी प्रतिकूल जानकारी नहीं है। उपचार प्राप्त करने की कम संभावना होने और वास्तव में उपचार प्राप्त करना असामान्य है और इसलिए यह अधिक जानकारीपूर्ण है कि उपचार इसे प्राप्त करने की कम संभावना वाले विषयों को कैसे प्रभावित करेगा; अर्थात। विशेषताएँ अधिकतर नियंत्रण विषयों से जुड़ी होती हैं। इसलिए उपचार विषय के लिए भार हैi X w i , j = treat = 1 हैp ( x)मैं)मैंएक्स wi,j=control=1wमैं , जे = इलाज= 1p ( x)मैं) संभावना कम / अत्यधिक जानकारीपूर्ण उपचार विषयों के लिए अधिक वजन जोड़ने। इसी विचार के बाद, यदि किसी नियंत्रण विषय में उपचार प्राप्त करने की एक बड़ी संभावना है, तो यह इस बात का एक सूचनात्मक संकेतक है कि यदि वे नियंत्रण समूह में थे, तो उपचार में विषयों का व्यवहार कैसा होगा। इस मामले में नियंत्रण विषयों के लिए भारांक और अधिक वजन को असंभावित / अत्यधिक-जानकारीपूर्ण नियंत्रण में जोड़ रहा है विषयों। वास्तव में, पहली बार के समीकरण कुछ हद तक अनियंत्रित दिखाई दे सकते हैं लेकिन मुझे लगता है कि उन्हें आसानी से एक काउंटर-तथ्यात्मक तर्क के तहत समझाया गया है। अंतत: सभी मिलान / PSM / वेटिंग रूटीन हमारे अवलोकन डेटा में एक अर्ध-प्रायोगिक ढांचे को स्केच करने की कोशिश करते हैं; एक नया आदर्शwi , j = नियंत्रण= 11 - पी ( एक्समैं) प्रयोग।
यदि आप उनके पार नहीं आए हैं, तो मैं आपको दृढ़ता से स्टुअर्ट (2010) पढ़ने का सुझाव देता हूं: मिलान करने के तरीके: इंजेक्शन के लिए तरीके: एक समीक्षा और एक लुक फॉरवर्ड और थोमेम्स और किम (2011): सामाजिक विज्ञान में प्रोग्रेसिव स्कोर के तरीकों की एक व्यवस्थित समीक्षा ; दोनों अच्छी तरह से लिखे गए हैं और मामले पर अच्छी प्रविष्टियों के कागजात हैं। इसके अलावा इस उत्कृष्ट 2015 व्याख्यान की जांच करें कि किंग द्वारा मिलान करने के लिए प्रॉपर्टीज स्कोर्स का उपयोग क्यों नहीं किया जाना चाहिए । उन्होंने वास्तव में मुझे इस विषय पर अपने अंतर्ज्ञान का निर्माण करने में मदद की।