计算出的倾向得分 中的信息的情况下接受治疗的概率。IPTW程序试图使用倾向得分使反事实推理更加突出。预计接受治疗然后实际接受治疗的可能性很高，那里没有反事实信息。接受治疗和实际接受治疗的可能性低是不寻常的，因此更能说明治疗将如何影响接受治疗的可能性低的受试者；IE。主要与控制对象相关的特征。因此治疗对象的权重为$p(x_i)$$i$$X$$\text{w}_{i,j=\text{treat}} = \frac{1}{p(x_i)}$为不太可能/信息量很大的治疗对象增加更多权重。遵循同样的想法，如果一个控制对象有很大的概率接受治疗，它是一个信息指标，表明如果他们在控制组中，接受治疗的对象将如何表现。在这种情况下，控制对象的权重是为不太可能/信息量大的控制增加更多权重科目。的确，这些方程起初看起来有些武断，但我认为它们很容易在反事实的原理下解释。最终，所有匹配/PSM/加权例程都试图在我们的观察数据中勾勒出一个准实验框架；一个新的理想$\text{w}_{i,j=\text{control}} = \frac{1}{1-p(x_i)}$实验。

如果您没有遇到过它们，我强烈建议您阅读 Stuart (2010): Matching Methods for Causal Inference: A Review and A Look Forward和 Thoemmes and Kim (2011): A Systematic Review of Propensity Score Methods in the Social Sciences；两者都写得很好，可以作为关于这个问题的很好的条目文件。还可以查看这篇 2015 年关于King为什么不应该使用倾向得分进行匹配的精彩讲座。他们真的帮助我建立了对这个主题的直觉。