Přehled

PS je pravděpodobnost. Ve skutečnosti je to podmíněná pravděpodobnost expozice vzhledem k sadě kovariátů, Pr (E+ / kovariáty). Můžeme vypočítat PS pro každý subjekt v observační studii bez ohledu na její skutečnou expozici.

jakmile máme PS pro každý subjekt, vrátíme se do skutečného světa exponovaných a neexponovaných. Můžeme porovnávat exponované subjekty s neexponovanými subjekty se stejným (nebo velmi podobným) PS. Pravděpodobnost expozice je tedy stejná jako pravděpodobnost neexponování. Expozice je “ náhodná.“

Popis

Propensity score analýzy (PSA) vznikl jako způsob, jak dosáhnout vzájemné zaměnitelnosti mezi exponované a neexponované skupiny v observačních studiích, aniž by se spoléhat na tradiční model budovy. Zaměnitelnost je rozhodující pro náš příčinný závěr.

v experimentálních studiích (např. randomizované kontrolní studie) je pravděpodobnost expozice 0,5. Pravděpodobnost neexponování je tedy také 0, 5. Pravděpodobnost odhalení nebo neexponování je stejná. Skutečný stav expozice subjektu je proto náhodný.

tato stejná pravděpodobnost expozice nám dává pocit pohodlnějšího tvrzení, že exponované a neexponované skupiny jsou stejné na všech faktorech kromě jejich expozice. Proto říkáme, že máme vyměnitelnost mezi skupinami.

jednou z největších výzev pozorovacích studií je to, že pravděpodobnost, že budete v exponované nebo neexponované skupině, není náhodná.

existuje několik případů, kdy experimentální studie není proveditelná nebo etická. Stále bychom však chtěli, aby byla výměnnost skupin dosažena randomizací. PSA nám pomáhá napodobit experimentální studii pomocí dat z observační studie.

provedení PSA

5 stručně popsaných kroků k PSA
1. Rozhodněte se o sadě kovariátů, které chcete zahrnout.
2. Použijte logistickou regresi k získání PS pro každý subjekt.
3. Spojte exponované a neexponované subjekty na PS.
4. Zkontrolujte rovnováhu kovariátů v exponovaných a neexponovaných skupinách po shodě na PS.
5. Vypočítejte odhad účinku a standardní chyby s touto populací shody.

1. Rozhodněte se o sadě kovariátů, které chcete zahrnout.
Toto je kritický krok k vašemu PSA. Tyto kovariáty používáme k předpovědi naší pravděpodobnosti expozice. Chceme zahrnout všechny prediktory expozice a žádný z účinků expozice. Nepovažujeme výsledek při rozhodování o našich kovariátech. Můžeme zahrnout matoucí a interakční proměnné. Jsme-li v pochybnosti veličinou, my patří v našem sadu proměnných (pokud si myslíme, že to je důsledek expozice).

2. Použijte logistickou regresi k získání PS pro každý subjekt.
používáme kovariáty k předpovědi pravděpodobnosti expozice (což je PS). Čím více skutečných kovariátů používáme, tím lepší je naše předpověď pravděpodobnosti odhalení. Vypočítáme PS pro všechny subjekty, exponované a neexponované.

Pomocí čísla a řecká písmena:
ln(PS/(1-PS))= β0+ß1X1+…+ßpXp
PS= (exp(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Spojte exponované a neexponované subjekty na PS.
chceme porovnávat exponované a neexponované subjekty s jejich pravděpodobností expozice (jejich PS). Pokud nemůžeme najít vhodnou shodu, pak je tento předmět vyřazen. Vyřazení subjektu může do naší analýzy zavést zaujatost.

existuje několik metod pro párování. Nejběžnější je nejbližší soused v třmenech. Nejbližší soused by byl neexponovaný subjekt, který má PS nejblíže PS pro náš exponovaný subjekt.

možná nebudeme schopni najít přesnou shodu, takže říkáme, že přijmeme skóre PS v určitých mezích třmenu. Nastavili jsme apriori hodnotu pro třmeny. Tato hodnota se obvykle pohybuje od + / -0.01 do + / -0.05. Pod 0.01, v odhadu můžeme získat velkou variabilitu, protože máme potíže s hledáním shod, což nás vede k vyřazení těchto předmětů(neúplná shoda). Pokud projdeme kolem 0,05, můžeme si být méně jisti, že naše exponované a neexponované jsou skutečně vyměnitelné (nepřesné párování). Obvykle je pro mezní hodnotu vybráno 0,01.

poměr exponovaných neexponovaných subjektů je variabilní. 1: 1 párování může být provedeno, ale často se místo toho provádí shoda s výměnou, aby se umožnily lepší shody. Odpovídající náhradu umožňuje neexponované téma, které bylo uzavřeno s předmět vystaven, aby se vrátil k bazénu nevystavené předměty, k dispozici pro párování.

existuje kompromis v zaujatosti a přesnosti mezi porovnáním s náhradou a bez (1: 1). Shoda s náhradou umožňuje snížené zkreslení kvůli lepší shodě mezi subjekty. Shoda bez náhrady má lepší přesnost, protože se používá více předmětů.

4. Zkontrolujte rovnováhu kovariátů v exponovaných a neexponovaných skupinách po shodě na PS.
Značné překrývání v kovariancí mezi exponované a neexponované skupiny musí existovat pro nás, aby kauzální závěry z našich údajů. To platí u všech modelů, ale u PSA je to vizuálně velmi zřejmé. Pokud nedojde k překrývání kovariátů (tj. pokud nemáme překrývání skóre sklonu), pak by všechny závěry byly provedeny mimo podporu dat (a závěry by tedy byly závislé na modelu).

můžeme použít několik nástrojů k posouzení naší rovnováhy kovariátů. Nejprve můžeme vytvořit histogram PS pro exponované a neexponované skupiny. Za druhé, můžeme posoudit standardizovaný rozdíl. Za třetí, můžeme posoudit snížení zaujatosti.

Standardizovaný rozdíl=(100*((x exponované)-(mean(x neexponované)))/(sqrt((SD^2exposed+ SD^2unexposed)/2))

Více než 10% rozdíl, je považováno za špatné. Naše kovariáty jsou rozděleny příliš odlišně mezi exponované a neexponované skupiny, abychom se cítili pohodlně za předpokladu výměny mezi skupinami.
snížení Zkreslení= 1-(|standardizovaný rozdíl uzavřeno|/|standardizovaný rozdíl bezkonkurenční|)
chtěli Bychom vidět výrazné snížení zkreslení z bezkonkurenční na odpovídající analýzu. Jaké podstatné prostředky je na vás.
5. Vypočítejte odhad účinku a standardní chyby s touto porovnanou populací.
odhad průměrného léčebného účinku ošetřeného (ATT)=sum (y exposed-y unexposed) / # odpovídajících párů
standardní chyby lze vypočítat pomocí metod převzorkování bootstrap.
výsledné párové páry lze také analyzovat pomocí standardních statistických metod, např. Můžete zahrnout PS v konečném modelu analýzy jako kontinuální opatření nebo vytvořit kvartily a stratifikovat.

několik dalších poznámek k PSA
PSA lze použít pro dichotomické nebo kontinuální expozice.
protože PSA může řešit pouze měřené kovariáty, kompletní implementace by měla zahrnovat analýzu citlivosti k posouzení nepozorovaných kovariátů.
PSA lze použít v SAS, R a Stata. Jedná se o doplňky, které jsou k dispozici ke stažení.
ačkoli se PSA tradičně používá v epidemiologii a biomedicíně, používá se také ve vzdělávacím testování (Rubin je jedním ze zakladatelů) a ekologii (EPA má webové stránky na PSA!).

silné stránky a omezení PSA

silné stránky
mohou zahrnovat podmínky interakce při výpočtu PSA.
PSA používá při odhadu efektu jedno skóre namísto více kovariátů. To umožňuje vyšetřovatel použít desítky dalších proměnných, které obvykle není možné v tradičních proměnných modelů z důvodu omezené stupňů volnosti a žádné počet buněk vyplývající z stratifications více proměnnými.
lze použít pro dichotomické a spojité proměnné (spojité proměnné mají spoustu probíhajícího výzkumu).
pacienti zařazení do této studie mohou být reprezentativnějším vzorkem pacientů „reálného světa“, než by poskytoval RCT.
vzhledem k tomu, že při výpočtu PS nepoužíváme žádné informace o výsledku, žádná analýza založená na PS nebude odhadovat efekt zkreslení.
vyhýbáme se závěrům mimo podporu.
méně se spoléháme na p-hodnoty a další modelové specifické předpoklady.
nepotřebujeme znát příčiny výsledku, abychom vytvořili vyměnitelnost.

omezení
nejzávažnějším omezením je, že PSA kontroluje pouze naměřené kovariáty.
překrytí skupiny musí být podstatné (aby bylo možné odpovídající párování).
shoda na pozorovaných kovariátech může otevřít zadní cesty v nepozorovaných kovariátech a zhoršit skryté zkreslení.
PSA pracuje nejlépe ve velkých vzorcích, aby získal dobrou rovnováhu kovariátů.
Pokud nám chybí data, dostaneme chybějící PS.
nezohledňuje shlukování (problematické pro výzkum na úrovni sousedství).

čtení

učebnice & kapitoly

Oakes JM a Johnson PJ. 2006. Propensity score matching for social epidemiology in Methods in Social Epidemiology (eds. Jm Oakes a JS Kaufman), Jossey-Bass, San Francisco, CA.
jednoduchý a přehledný úvod do PSA s ukázkou ze sociální epidemiologie.

Hirano K a Imbens GW. 2005. Sklon skóre s kontinuální léčby v Aplikované Bayesovské Modelování a Kauzální Inference z Neúplné-Data Perspektivy: nezbytnou Cestu s Donald Rubin Statistické Rodina (eds. A Gelman and XL Meng), John Wiley & Sons, Ltd, Chichester, UK.
diskuse o použití PSA pro kontinuální léčbu.

metodické články

Rosenbaum PR a Rubin DB. 1983. Ústřední role skóre sklonu v observačních studiích kauzálních účinků. Biometrika, 70 (1); 41-55.
zárodečný článek o PSA.

Rosenbaum PR a Rubin DB. 1985. Zaujatost kvůli neúplné shodě. Biometrika, 41 (1); 103-116.
diskuse o zaujatosti kvůli neúplné shodě subjektů v PSA.

D ‚ Agostino RB. 1998. Metody skóre sklonu pro snížení zkreslení ve srovnání léčby s nerandomizovanou kontrolní skupinou. Statist Med, 17; 2265-2281.
další diskuse o PSA s pracovanými příklady. Zahrnuje výpočty standardizovaných rozdílů a snížení zkreslení.

Joffe MM a Rosenbaum PR. 1999. Pozvaný komentář: sklon skóre. Am J Epidemiol, 150 (4); 327-333.
diskuse o použití a omezení PSA. Zahrnuje také diskusi o PSA v případových kohortových studiích.

aplikační články

Kumar S a Vollmer s.2012. Snižuje přístup ke zlepšení hygieny průjem ve venkovské Indii. Zdraví Econ. DOI: 10.1002 / hec.2809
aplikuje PSA na hygienu a průjem u dětí ve venkovské Indii. Spousta vysvětlení o tom, jak byla PSA provedena v novinách. Příklad.

Suh HS, Hay JW, Johnson KA, and Doctor, JN. 2012. Srovnávací účinnost statinů plus colestipol kombinační terapie statin v monoterapii u pacientů s diabetem typu 2: použití sklon-skóre a instrumentální proměnné metody upravit pro léčbu-výběrové zkreslení.Farmakoepidemiol a bezpečnost léčiv. DOI: 10.1002 / pds.3261
aplikuje PSA na terapie diabetu 2. typu. Také porovnává PSA s instrumentálními proměnnými.

Rubin DB. 2001. Použití skóre sklonu k návrhu observačních studií: aplikace na soudní spory o tabák. Výsledky Zdravotní Služby Metoda Res, 2; 169-188.
pokročilejší aplikace PSA jedním z původců PSA.

Landrum MB a Ayanian JZ. 2001. Příčinný účinek ambulantní speciální péče na úmrtnost po infarktu myokardu: srovnání sklonu socre a instrumentální variabilní analýza. Health Serv Výsledky Metoda Res, 2; 221-245.
dobrý jasný příklad PSA aplikovaného na mortalitu po IM. Srovnání s metodami IV.

Bingenheimer JB, Brennan RT a Earls FJ. 2005. Střelné zbraně násilí expozice a vážné násilné chování. Věda, 308; 1323-1326.
zajímavý příklad PSA aplikovaného na expozici střelných zbraní a následné závažné násilné chování.

webových Stránek

Statistické Softwarové Implementace
Software pro implementaci odpovídající metody a sklon skóre:

Pro SAS makro:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: Počítačové odpovídající případů se ovládá pomocí greedy algoritmus párování s pevně stanovený počet kontrol na jeden případ.
vmatch: počítačové párování případů s kontrolami pomocí proměnné optimální párování.

dokumentace SAS:

pro program R:

Snímky z Thomas Love 2003 ASA prezentace:

Zdroje (letáky, anotované bibliografie) od Thomase Láska:

Vysvětlení a příklad z ekologie PSA:

Kurzy

on-line seminář o „Propensity Score Matching“ je k dispozici přes EPICKÉ