เมื่อ IPTW สร้างน้ำหนักสุดโต่ง (extreme weights): วินิจฉัยก่อนแล้วค่อยประมาณผล

Read the English version

บทคัดย่อ

Extreme weights จาก inverse probability of treatment weighting (IPTW) ไม่ใช่ปัญหาใหม่ที่ต้องรีบแก้ แต่เป็นสิ่งที่ตรวจพบในขั้น diagnostics หลังสร้าง weights แล้ว คือ pseudo-population ที่ถ่วงน้ำหนักแล้วอาจถูกผู้ป่วยเพียงไม่กี่คนครอบงำ ผู้ป่วยแต่ละคนได้ weight เท่ากับหนึ่งส่วนความน่าจะเป็นของการรักษาที่ได้รับจริง ผู้ป่วยกลุ่ม treated ที่มี propensity score 0.02 จึงได้ weight 50 และผู้ป่วยกลุ่ม control ที่มี propensity score 0.99 ได้ weight 100 weights แบบนี้ชี้กลับไปที่ overlap ที่ไม่ดีระหว่างกลุ่มการรักษา การเกือบละเมิด positivity หรือ propensity model ที่ขาดพจน์ nonlinear หรือ interaction สิ่งที่ควรทำคือหาสาเหตุ ได้แก่ ดูการกระจายของ propensity score ดู overlap ดู weights ที่ใหญ่ที่สุด และดู covariate balance แก้ model ถ้าจำเป็น แล้วตรวจซ้ำก่อนประมาณ outcome ใด ๆ บทความนี้เดินตาม workflow นั้น คือสร้าง weight ก่อน วินิจฉัยเป็นลำดับที่สอง และประมาณ outcome เป็นลำดับที่สาม

---

🔍 คลิกเพื่อขยาย คลิกที่ใดก็ได้เพื่อปิด

weights สองค่าที่ทำให้การวิเคราะห์ต้องหยุด

ทีมหนึ่งกำลังเปรียบเทียบการรักษาสองแบบสำหรับโรคเดียวกันจากเวชระเบียนของโรงพยาบาล Treatment A ให้กับผู้ป่วยโรครุนแรงเป็นส่วนใหญ่ ส่วน Treatment B ให้กับผู้ป่วยอาการเบาเป็นส่วนใหญ่ นักวิเคราะห์จึง fit model ของ propensity score (PS) คือ logistic regression ของความน่าจะเป็นที่จะได้ Treatment A บน age และ severity แล้วใช้ PS สร้าง inverse probability of treatment weights ก่อน fit outcome model ใด ๆ เธอเรียง weights ดูก่อน weights ส่วนใหญ่อยู่ใกล้ 1 หรือ 2 แต่มีสองค่าที่โดดออกมา คือผู้ป่วยกลุ่ม treated ที่มี weight 50 และผู้ป่วยกลุ่ม control ที่มี weight 100

ทางลัดคือ fit outcome model ต่อไปเลยแล้วอ่าน P value บทความนี้เลือกอีกทางหนึ่ง คือถือว่า weights สองค่านี้เป็นสิ่งที่ตรวจพบ (finding) ถามว่ามันบอกอะไรเกี่ยวกับการเปรียบเทียบ และหาคำตอบให้ได้ก่อนประมาณ treatment effect ใด ๆ

IPW, IPTW และตำแหน่งของ extreme weights

Inverse probability weighting (IPW) คือ family ใหญ่ ผู้ป่วยแต่ละคนได้ weight เท่ากับหนึ่งส่วนความน่าจะเป็นของสิ่งที่เกิดขึ้นกับเขาจริง เช่น การรักษาที่ได้รับ หรือการที่ยังอยู่ในการติดตาม ส่วน inverse probability of treatment weighting (IPTW) คือ IPW ที่ weight ตาม treatment assignment ดังนั้น extreme IPTW weights ไม่ใช่ปัญหาใหม่ที่โผล่มาหลังจากแก้ปัญหา extreme IPW อีกเรื่องหนึ่งไปแล้ว แต่เป็น diagnostic problem ที่ตรวจพบหลังจากเราสร้าง IPTW weights แล้วต่างหาก

weights สร้าง pseudo-population (ประชากรเสมือน) คือตัวอย่างฉบับถ่วงน้ำหนักที่การรักษาไม่ขึ้นกับ covariates ที่วัดได้อีกต่อไป เราใช้ IPTW เพื่อแก้ treatment-selection problem แต่ extreme weights บอกเราว่า พอสร้าง pseudo-population แล้ว weighting solution เองไม่ stable ตอนว่าด้วย IPW family ในซีรีส์นี้อธิบายสมาชิกตัวอื่นของ family นี้

ถ้า IPTW สร้าง extreme weights ขึ้นมาล่ะ?

IPTW ถูกออกแบบมาเพื่อทำให้กลุ่มการรักษาเปรียบเทียบกันได้ดีขึ้น (comparability) แต่การสร้าง weights ไม่ใช่จุดจบของการวิเคราะห์ หลังคำนวณ IPTW แล้ว ต้องตรวจดูตัว weights เองด้วย และบางครั้งเราพบว่า:

ผู้ป่วยเพียงไม่กี่คนได้ weights ที่ใหญ่มาก

นี่คือปัญหาใหม่ ปัญหาเดิมคือ:

กลุ่มการรักษาเปรียบเทียบกันไม่ได้

เราพยายามแก้ด้วย:

$$\boxed{\text{IPTW}}$$

แต่หลังถ่วงน้ำหนักแล้ว เราอาจพบว่า:

pseudo-population ที่ถ่วงน้ำหนักแล้วถูกครอบงำโดย observations เพียงไม่กี่ตัว

ทำไม extreme IPTW weights จึงเกิดขึ้น?

ให้ $A = 1$ แทน Treatment A และ $A = 0$ แทนการรักษาที่ใช้เปรียบเทียบ ให้ $X$ แทนลักษณะพื้นฐาน (baseline characteristics) ของผู้ป่วย และ $e(X) = P(A = 1 \mid X)$ แทน propensity score สำหรับการวิเคราะห์ IPTW ที่มุ่งประมาณ average treatment effect (ATE) คือผลในประชากรทั้งหมดที่ผู้ป่วยเป็นตัวแทน weights คือ:

สำหรับผู้ป่วยกลุ่ม treated

$$w_i = \frac{1}{e(X_i)}$$

และสำหรับผู้ป่วยกลุ่ม control

$$w_i = \frac{1}{1 - e(X_i)}$$

ผู้ป่วยสองคน extreme weights สองค่า

นำ weights สองค่าจากฉากเปิดมาย้อนหา propensity score ที่อยู่เบื้องหลัง

1. ผู้ป่วยกลุ่ม treated ที่มี $e(X) = 0.02$

   \[ w = \frac{1}{0.02} = 50 \]

   ผู้ป่วยรายนี้มีความน่าจะเป็นโดยประมาณที่จะได้รับการรักษาเพียง 2% แต่ได้รับการรักษาจริง

2. ผู้ป่วยกลุ่ม control ที่มี $e(X) = 0.99$

   \[ w = \frac{1}{1 - 0.99} = 100 \]

   ผู้ป่วยรายเดียวนี้อาจมีส่วนต่อผลมากกว่าผู้ป่วยที่มี weight 1 ราว 100 เท่า

3. กฎที่อยู่เบื้องหลังทั้งสองกรณี

   \[ \boxed{PS \approx 0 \text{ or } 1 \rightarrow \text{Extreme IPTW}} \]

   weight จะสุดโต่งเมื่อผู้ป่วยได้รับการรักษาที่แทบไม่น่าจะเกิดกับคนที่มีลักษณะแบบเขา

ผลลัพธ์: propensity score ที่ใกล้ 0 หรือ 1 ทำให้เกิด extreme IPTW weight คือ 50 สำหรับผู้ป่วยกลุ่ม treated ที่ 0.02 และ 100 สำหรับผู้ป่วยกลุ่ม control ที่ 0.99

Extreme weights ชี้กลับไปที่ปัญหา overlap

Overlap ถามว่า: ผู้ป่วยที่มีลักษณะพื้นฐานคล้ายกันมีอยู่จริงในทั้งสองกลุ่มการรักษาหรือไม่?

สมมติว่าผู้ป่วยที่รุนแรงมากแทบทุกคนได้ Treatment A:

$$P(A = 1 \mid \text{Severe}) = 0.98$$

ส่วนผู้ป่วยอาการเบาแทบทุกคนได้ Treatment B:

$$P(A = 1 \mid \text{Mild}) = 0.03$$

แม้ propensity-score model จะยังคำนวณความน่าจะเป็นให้ผู้ป่วยเหล่านี้ได้ แต่ข้อมูลที่สังเกตได้มี treatment contrast น้อยมากในบริเวณเหล่านี้ ในเชิงแนวคิด propensity score ของสองกลุ่มมีหน้าตาแบบนี้:

Propensity score

Control     ███████████
                         █

Treated                  ███████████

มี common support น้อย คือมีค่า propensity score เพียงไม่กี่ค่าที่พบทั้งผู้ป่วยกลุ่ม treated และกลุ่ม control [2] IPTW จึงพยายามสร้าง comparability ขึ้นใหม่ โดยให้ weights ที่ใหญ่มากแก่ผู้ป่วยส่วนน้อยที่ได้รับการรักษาแบบที่ไม่ปกติสำหรับคนแบบเขา

สามคำถามที่ต้องถามก่อน

เมื่อเจอ extreme IPTW weights อย่าเพิ่งไปที่ outcome model ทันที ให้ตรวจสามเรื่องที่เกี่ยวข้องกัน ได้แก่ overlap, positivity และ specification ของ propensity model

A. Overlap

ถามว่า: ผู้ป่วยกลุ่ม treated และกลุ่ม control กระจายอยู่ในบริเวณที่คล้ายกันของการกระจายของ propensity score หรือไม่?

ดูการกระจายของ PS ในทั้งสองกลุ่มการรักษา ถ้ากลุ่มหนึ่งไปอยู่ในบริเวณที่อีกกลุ่มแทบไม่มี observations เลย IPTW อาจไม่ stable

B. Positivity

Positivity คือเงื่อนไขเชิง causal ที่อยู่เบื้องหลังว่า ผู้ป่วยที่มีชุดลักษณะที่วัดได้แบบใดแบบหนึ่ง ต้องมีโอกาสได้รับการรักษาได้ทั้งสองแบบ [3] ในเชิงแนวคิด:

$$0 < P(A = 1 \mid X) < 1$$

ถ้าผู้ป่วยบาง profile แทบจะได้รับการรักษาแบบเดียวเสมอ ข้อมูลที่มีก็บอกแทบไม่ได้เลยว่า counterfactual treatment experience ของผู้ป่วยเหล่านั้นเป็นอย่างไร คือสิ่งที่จะเกิดขึ้นกับเขาภายใต้การรักษาที่เขาไม่ได้รับ ในข้อมูลจริง

$$P(A = 1 \mid X) \approx 0 \quad \text{or} \quad P(A = 1 \mid X) \approx 1$$

จึงอาจปรากฏออกมาเป็น IPTW weights ที่ใหญ่มาก

C. Propensity-model specification

Extreme weights ยังทำให้เราต้องทบทวนว่า treatment model สะท้อนกระบวนการ treatment assignment ได้เพียงพอหรือไม่ สมมติว่า model เดิมคือ:

$$\operatorname{logit}[P(A = 1)] = \beta_0 + \beta_1 \text{Age} + \beta_2 \text{Severity}$$

แต่ในความเป็นจริง การตัดสินใจรักษาขึ้นกับ severity แบบ nonlinear หรือขึ้นกับ interactions อย่างมาก ตัวอย่างเช่น

$$\text{Severity}^2 \quad \text{or} \quad \text{Age} \times \text{Severity}$$

อาจสำคัญทางคลินิก propensity model ที่ระบุไม่ดี (poorly specified) จึงอาจให้ balance ที่ไม่พอหรือ weights ที่มีปัญหา [4] ควรทบทวน model โดยใช้ความรู้ทางคลินิกและ weighting diagnostics แทนการพึ่ง statistical significance เพียงอย่างเดียว [1] ตอนว่าด้วยการตรวจ balance ในซีรีส์นี้แสดงวิธีอ่าน covariate balance หลังการแก้ model แบบนี้

อย่าเพิ่งถามว่า outcome มีนัยสำคัญหรือไม่

ความผิดพลาดที่พบบ่อยคือข้ามจาก IPTW ไปที่ treatment-effect estimate โดยตรง:

$$\text{IPTW} \rightarrow \text{Outcome model} \rightarrow P\text{ value}$$

แบบนี้ข้ามขั้นกลางที่สำคัญที่สุดไป workflow ที่ถูกต้องคือ:

$$\boxed{\text{PS} \rightarrow \text{IPTW} \rightarrow \text{Weight diagnostics} \rightarrow \text{Balance} \rightarrow \text{Overlap} \rightarrow \text{Outcome analysis}}$$

ถ้า weights ไม่ stable treatment estimate ที่มีนัยสำคัญทางสถิติก็ไม่ได้แก้ design problem ที่อยู่เบื้องหลัง ต้องสร้างความน่าเชื่อถือ (credibility) ของการเปรียบเทียบแบบถ่วงน้ำหนักให้ได้ก่อน แล้วจึงตีความ treatment effect [1]

อุปมาทางคลินิกที่ช่วยให้เห็นภาพ

ลองนึกว่าเรากำลังเปรียบเทียบ Drug A กับ Drug B ผู้ป่วยโรครุนแรงมากแทบทุกคนได้ Drug A ผู้ป่วยอาการเบาแทบทุกคนได้ Drug B และมีผู้ป่วยรุนแรงมากเพียงสองคนที่ได้ Drug B

IPTW อาจให้ weights มหาศาลแก่ผู้ป่วย Drug B สองคนที่ผิดปกตินี้ เพราะเขาสองคนถูกใช้เป็นตัวแทนทางสถิติของผู้ป่วยรุนแรงจำนวนมาก ซึ่งในข้อมูลที่สังเกตได้แทบไม่เคยได้ Drug B เลย

วิธีตอบสนองที่ถูกต้องเมื่อเจอ extreme IPTW weights

การตอบสนองที่เหมาะสมไม่ใช่:

$$\text{Extreme weights} \rightarrow \text{ignore them} \rightarrow \text{report treatment effect}$$

แต่เป็น:

$$\boxed{\text{Extreme weights} \rightarrow \text{investigate why}}$$

จากนั้นตรวจดู:

1. การกระจายของ propensity score
2. overlap ระหว่างกลุ่มการรักษา
3. weights รายบุคคลที่ใหญ่ที่สุด
4. covariate balance
5. nonlinearities หรือ interactions ที่สำคัญทางคลินิกใน treatment model

ถ้า propensity-score model เดิมไม่เพียงพอ ให้แก้ model แล้วคำนวณ weights ใหม่ ตัวอย่างเช่น:

$$\text{Original PS} \rightarrow \text{Extreme weights}$$$$\downarrow$$$$\text{Reconsider model}$$$$\downarrow$$$$\text{New PS} \rightarrow \text{New IPTW}$$$$\downarrow$$$$\text{Recheck balance} + \text{overlap} + \text{weights}$$

เมื่อ diagnostics ผ่านในระดับที่ยอมรับได้แล้วเท่านั้น การวิเคราะห์จึงควรไปต่อที่ treatment outcome

การเปลี่ยนมุมคิดที่สำคัญ

ตรงนี้ให้บทเรียนสำคัญทาง causal inference ตอนแรกเราอาจคิดว่า:

$$\boxed{\text{Confounding problem} \rightarrow \text{IPTW solution}}$$

แต่ workflow จริงคือ:

$$\boxed{\text{Confounding} \rightarrow \text{IPTW} \rightarrow \text{Check whether IPTW produced a credible comparison}}$$

กล่องสรุปให้จำ (final memory box)

ปัญหาเดิม (original problem): กลุ่มการรักษาต่างกันตั้งแต่ baseline

ทางแก้ที่เสนอ (proposed solution): IPTW

คำถาม diagnostic ใหม่ (new diagnostic question): IPTW สร้างการเปรียบเทียบที่ stable, balanced และ overlapping ได้หรือไม่?

ถ้า observations เพียงไม่กี่ตัวได้ weights ที่ใหญ่มาก:

$$\boxed{\text{Extreme IPTW} \rightarrow \text{Check overlap, positivity and PS model}}$$

ขั้นต่อไป: เมื่อ weights ยังสุดโต่งอยู่

การวินิจฉัยมาก่อน ถ้าตรวจ overlap, positivity และ propensity model แล้ว แก้ model ในจุดที่ไม่เพียงพอแล้ว แต่ weights บางตัวยังสุดโต่งอยู่ คำถามถัดไปคือจะจัดการกับมันอย่างไร นั่นเป็นอีกขั้นหนึ่งที่มีทางเลือกของมันเอง ได้แก่ unstabilised เทียบกับ stabilised IPTW (weights ที่ปรับสเกลด้วยสัดส่วนผู้ป่วยโดยรวมในแต่ละการรักษา) truncation (การกำหนดเพดานให้ weights ที่ใหญ่ที่สุด) หรือ trimming (การตัดผู้ป่วยที่มี propensity score สุดโต่งออก) weighting แบบอื่น เช่น overlap weighting (weights ที่เน้นผู้ป่วยซึ่งการรักษาทั้งสองแบบเป็นไปได้) และ sensitivity analysis แต่ละวิธีเปลี่ยนบางอย่างในการเปรียบเทียบ จึงควรมาหลังการวินิจฉัยเสมอ ไม่ใช่มาแทนที่การวินิจฉัย

ความเข้าใจผิดที่พบบ่อยและวิธีแก้

• "Extreme IPTW weights เป็นปัญหาใหม่ที่แยกจาก IPW"

  IPW คือ family และ IPTW คือสมาชิกที่ weight ตาม treatment assignment ส่วน extreme IPTW weights คือสิ่งที่ diagnostics ตรวจพบหลังสร้าง IPTW weights แล้ว

  วิธีแก้: ถือว่า extreme weights เป็น diagnostic finding เกี่ยวกับ weighting solution ที่เพิ่งสร้างขึ้น

• "สร้าง weights เสร็จแล้ว ก็จัดการ confounding ได้แล้ว"

  การสร้าง weights ไม่ใช่จุดจบของการวิเคราะห์ pseudo-population ที่ถ่วงน้ำหนักแล้วอาจถูก observations เพียงไม่กี่ตัวครอบงำ

  วิธีแก้: IPTW ต้องตามด้วย weighting diagnostics เสมอ

• "Model ให้ความน่าจะเป็นกับผู้ป่วยทุกคนได้ แปลว่าข้อมูลรองรับการเปรียบเทียบ"

  Propensity model คำนวณความน่าจะเป็นได้ เช่น 0.98 สำหรับผู้ป่วยรุนแรงและ 0.03 สำหรับผู้ป่วยอาการเบา แม้ในบริเวณที่ข้อมูลมี treatment contrast น้อยมาก

  วิธีแก้: ดูการกระจายของ PS ในทั้งสองกลุ่มการรักษา และถามว่าสองกลุ่มมี common support ร่วมกันหรือไม่

• "ไปจาก IPTW ตรงไปที่ outcome model และ P value ได้เลย"

  แบบนี้ข้ามขั้นกลางที่สำคัญที่สุดไป

  วิธีแก้: เดินตามลำดับ PS แล้ว IPTW แล้ว weight diagnostics, balance และ overlap จากนั้นจึงวิเคราะห์ outcome

• "Treatment effect ที่มีนัยสำคัญแสดงว่า weighting ได้ผล"

  ถ้า weights ไม่ stable estimate ที่มีนัยสำคัญทางสถิติก็ไม่ได้แก้ design problem ที่อยู่เบื้องหลัง

  วิธีแก้: สร้าง credibility ของการเปรียบเทียบแบบถ่วงน้ำหนักให้ได้ก่อนตีความ treatment effect

• "ไม่ต้องสนใจ extreme weights ก็ได้ ขอแค่รายงาน effect"

  การมองข้ามแล้วรายงาน treatment effect ทำให้ไม่รู้เลยว่า weights สุดโต่งเพราะอะไร

  วิธีแก้: หาสาเหตุ: ตรวจการกระจายของ PS, overlap ระหว่างกลุ่ม, weights รายบุคคลที่ใหญ่ที่สุด, covariate balance และ nonlinearities หรือ interactions ที่สำคัญทางคลินิกใน treatment model

• "เก็บไว้เฉพาะพจน์ใน propensity model ที่มีนัยสำคัญทางสถิติ"

  Model ที่ขาดพจน์สำคัญทางคลินิก เช่น Severity ยกกำลังสอง หรือ Age คูณ Severity อาจให้ balance ที่ไม่พอหรือ weights ที่มีปัญหา ไม่ว่า P value จะเป็นอย่างไร

  วิธีแก้: ทบทวน model ด้วยความรู้ทางคลินิกและ weighting diagnostics แทนการพึ่ง statistical significance เพียงอย่างเดียว

อภิธานศัพท์

inverse probability weighting (IPW)

Family ของวิธีที่ให้ weight ผู้ป่วยแต่ละคนเท่ากับหนึ่งส่วนความน่าจะเป็นของสิ่งที่เกิดขึ้นกับเขาจริง เช่น การรักษาที่ได้รับ หรือการที่ยังอยู่ในการติดตาม

IPTW

Inverse probability of treatment weighting คือสมาชิกของ IPW family ที่ weight ตาม treatment assignment คือ 1/e(X) สำหรับผู้ป่วยกลุ่ม treated และ 1/(1 - e(X)) สำหรับผู้ป่วยกลุ่ม control เมื่อเป้าหมายคือ ATE

propensity score (PS)

ความน่าจะเป็นที่จะได้รับการรักษาเมื่อกำหนดลักษณะพื้นฐาน เขียนเป็น e(X) = P(A = 1 | X)

ATE

Average treatment effect หรือผลเฉลี่ยของการรักษาในประชากรทั้งหมดที่ผู้ป่วยเป็นตัวแทน

pseudo-population

ตัวอย่างฉบับถ่วงน้ำหนักที่การรักษาไม่ขึ้นกับ covariates ที่วัดได้อีกต่อไป

weighting diagnostics

การตรวจที่ทำหลังสร้าง weights และก่อนวิเคราะห์ outcome ได้แก่ การกระจายของ propensity score, overlap, weights ที่ใหญ่ที่สุด และ covariate balance

overlap (common support)

การที่มีผู้ป่วยที่มีลักษณะพื้นฐานคล้ายกัน ซึ่งจึงมี propensity score คล้ายกัน อยู่ในทั้งสองกลุ่มการรักษา

positivity

เงื่อนไขว่าผู้ป่วยที่มีชุดลักษณะที่วัดได้แบบใดก็ตาม ต้องมีโอกาสได้รับการรักษาได้ทั้งสองแบบ คือ 0 < P(A = 1 | X) < 1

covariate balance

ความคล้ายกันของการกระจายของ baseline covariates ระหว่างกลุ่มการรักษาหลังถ่วงน้ำหนัก

เอกสารอ้างอิง

1. Austin PC, Stuart EA. Moving towards best practice when using inverse probability of treatment weighting (IPTW) using the propensity score to estimate causal treatment effects in observational studies. Stat Med. 2015;34(28):3661-3679. doi:10.1002/sim.6607 https://doi.org/10.1002/sim.6607
2. Crump RK, Hotz VJ, Imbens GW, Mitnik OA. Dealing with limited overlap in estimation of average treatment effects. Biometrika. 2009;96(1):187-199. doi:10.1093/biomet/asn055 https://doi.org/10.1093/biomet/asn055
3. Petersen ML, Porter KE, Gruber S, Wang Y, van der Laan MJ. Diagnosing and responding to violations in the positivity assumption. Stat Methods Med Res. 2012;21(1):31-54. doi:10.1177/0962280210386207 https://doi.org/10.1177/0962280210386207
4. Cole SR, Hernán MA. Constructing inverse probability weights for marginal structural models. Am J Epidemiol. 2008;168(6):656-664. doi:10.1093/aje/kwn164 https://doi.org/10.1093/aje/kwn164

ประเด็นสำคัญ

• Extreme IPTW weights คือสิ่งที่ตรวจพบในขั้น diagnostics หลังสร้าง weights แล้ว: pseudo-population ที่ถ่วงน้ำหนักแล้วถูก observations เพียงไม่กี่ตัวครอบงำ แปลว่า weighting solution เองไม่ stable
• Propensity score ที่ใกล้ 0 หรือ 1 ทำให้ weight สุดโต่ง: 1/0.02 = 50 สำหรับผู้ป่วยกลุ่ม treated และ 1/(1 - 0.99) = 100 สำหรับผู้ป่วยกลุ่ม control
• Extreme weights ชี้กลับไปที่ overlap ที่ไม่ดี และ weighting ไม่สามารถสร้าง treatment overlap ที่แท้จริงซึ่งไม่มีอยู่ในข้อมูลขึ้นมาได้
• เมื่อเจอ extreme weights ให้ตรวจ overlap, positivity และ propensity model แก้ model ถ้าจำเป็น แล้วตรวจ balance, overlap และ weights ซ้ำ ก่อน fit outcome model ใด ๆ
• IPTW ไม่ได้ปิดฉาก causal analysis แต่เป็นจุดเริ่มของ diagnostic phase: สร้าง weight ก่อน วินิจฉัยเป็นลำดับที่สอง และประมาณ outcome เป็นลำดับที่สาม

อ่านต่อในวิกิ: [[iptw-guide-th]] [[propensity-weighting-balance-check-and-model-revision-th]]