programmer

kurser

oversigt

PS er en sandsynlighed. Faktisk er det en betinget sandsynlighed for at blive udsat givet et sæt kovariater, Pr(E+|kovariater). Vi kan beregne en PS for hvert emne i en observationsundersøgelse uanset hendes faktiske eksponering.

når vi har en PS for hvert emne, vender vi tilbage til den virkelige verden af udsatte og ueksponerede. Vi kan matche udsatte emner med ueksponerede emner med den samme (eller meget lignende) PS. Sandsynligheden for at blive eksponeret er således den samme som sandsynligheden for at blive eksponeret. Eksponeringen er ” tilfældig.”

beskrivelse

tilbøjelighed score analyse (PSA) opstod som en måde at opnå udskiftelighed mellem eksponerede og ueksponerede grupper i observationsstudier uden at stole på traditionel modelbygning. Udskiftelighed er afgørende for vores årsagssammenhæng.i eksperimentelle undersøgelser (f.eks. randomiserede kontrolforsøg) er sandsynligheden for at blive eksponeret 0,5. Sandsynligheden for at blive ueksponeret er således også 0,5. Sandsynligheden for at blive eksponeret eller ikke eksponeret er den samme. Derfor er en persons faktiske eksponeringsstatus tilfældig.

denne lige sandsynlighed for eksponering får os til at føle os mere komfortable med at hævde, at de eksponerede og ueksponerede grupper er ens på alle faktorer undtagen deres eksponering. Derfor siger vi, at vi har udvekslbarhed mellem grupper.

en af de største udfordringer med observationsstudier er, at sandsynligheden for at være i den eksponerede eller ueksponerede gruppe ikke er tilfældig.

der er flere lejligheder, hvor en eksperimentel undersøgelse ikke er gennemførlig eller etisk. Men vi vil stadig gerne have, at grupper kan udveksles ved randomisering. PSA hjælper os med at efterligne en eksperimentel undersøgelse ved hjælp af data fra en observationsundersøgelse.

gennemførelse af PSA

5 kort beskrevet trin til PSA
1. Beslut dig for det sæt kovariater, du vil medtage.
2 . Brug logistisk regression til at opnå en PS for hvert emne.
3. Match udsatte og ueksponerede emner på PS.
4. Kontroller balancen mellem kovariater i de eksponerede og ikke-eksponerede grupper efter matchning på PS.
5. Beregn effektestimatet og standardfejl med denne matchpopulation.

1. Beslut dig for det sæt kovariater, du vil medtage.
dette er det afgørende skridt til din PSA. Vi bruger disse kovariater til at forudsige vores Sandsynlighed for eksponering. Vi ønsker at inkludere alle forudsigere af eksponeringen og ingen af virkningerne af eksponeringen. Vi overvejer ikke resultatet i beslutningen om vores kovariater. Vi kan inkludere confounders og interaktionsvariabler. Hvis vi er i tvivl om kovariatet, inkluderer vi det i vores sæt kovariater (medmindre vi mener, at det er en effekt af eksponeringen).

2. Brug logistisk regression til at opnå en PS for hvert emne.
vi bruger kovariaterne til at forudsige sandsynligheden for at blive eksponeret (som er PS). Jo mere ægte kovariater vi bruger, jo bedre er vores forudsigelse af sandsynligheden for at blive udsat. Vi beregner en PS for alle emner, eksponeret og ueksponeret.

ved Hjælp af tal og græske bogstaver:
ln(PS/(1-PS))= β0+ß1X1+…+ßpXp
PS= (exp(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Match udsatte og ueksponerede emner på PS.
vi ønsker at matche de udsatte og ueksponerede emner på deres sandsynlighed for at blive udsat (deres PS). Hvis vi ikke kan finde et passende match, kasseres dette emne. Kassering af et emne kan introducere bias i vores Analyse.

Der findes flere metoder til matchning. Mest almindelige er den nærmeste nabo inden calipre. Den nærmeste nabo ville være det ueksponerede emne, der har en PS nærmest PS for vores udsatte emne.

Vi kan muligvis ikke finde et nøjagtigt match, så vi siger, at vi accepterer en PS-score inden for visse caliper-grænser. Vi sætter en apriori-værdi for kaliperne. Denne værdi varierer typisk fra + / -0.01 til + / -0.05. Under 0.01, vi kan få en masse variation inden for estimatet, fordi vi har svært ved at finde matches, og dette får os til at kassere disse emner (ufuldstændig matchning). Hvis vi går forbi 0,05, kan vi være mindre sikre på, at vores udsatte og ueksponerede er virkelig udskiftelige (upræcis matching). Typisk vælges 0,01 til en cutoff.

forholdet mellem eksponeret til ueksponerede emner er variabelt. 1: 1 matching kan gøres, men ofte matcher med udskiftning sker i stedet for at give mulighed for bedre kampe. Matching med udskiftning gør det muligt at returnere det ueksponerede emne, der er matchet med et eksponeret emne, til puljen af ueksponerede emner, der er tilgængelige til matchning.

der er en afvejning i bias og præcision mellem matching med udskiftning og uden (1:1). Matching med udskiftning giver mulighed for reduceret bias på grund af bedre matchning mellem emner. Matchning uden udskiftning har bedre præcision, fordi flere emner bruges.

4. Kontroller balancen mellem kovariater i de eksponerede og ikke-eksponerede grupper efter matchning på PS.væsentlig overlapning i kovariater mellem de eksponerede og ueksponerede grupper skal eksistere for at vi kan skabe årsagssammenhænge fra vores data. Dette gælder i alle modeller, men i PSA bliver det visuelt meget tydeligt. Hvis der ikke er nogen overlapning i kovariater (dvs.hvis vi ikke har nogen overlapning af tilbøjelighedsscore), ville alle slutninger blive foretaget uden støtte for dataene (og dermed ville konklusioner være modelafhængige).

Vi kan bruge et par værktøjer til at vurdere vores balance mellem kovariater. For det første kan vi oprette et histogram af PS for eksponerede og ueksponerede grupper. For det andet kan vi vurdere den standardiserede forskel. For det tredje kan vi vurdere bias reduktion.

standardiseret forskel=(100*(middel(eksponeret)-(middel (ikke eksponeret)))/(KVRT ((SD^2eksponeret+ SD^2ueksponeret)/2))

mere end 10% forskel betragtes som dårlig. Vores kovariater fordeles for forskelligt mellem eksponerede og ikke-eksponerede grupper, så vi kan føle os godt tilpas med at antage udskiftelighed mellem grupper.
Bias reduktion= 1 – (|standardiseret forskel matchet/||standardiseret forskel uovertruffen/)
vi vil gerne se en betydelig reduktion i bias fra den uovertrufne til den matchede analyse. Hvad væsentlige midler er op til dig.
5. Beregn effektestimatet og standardfejl med denne matchede population.
skøn over den gennemsnitlige behandlingseffekt af den behandlede(att)=sum (y eksponeret – y ikke eksponeret)/# af matchede par
standardfejl kan beregnes ved hjælp af bootstrap resampling metoder.
de resulterende matchede par kan også analyseres ved hjælp af standard statistiske metoder, f.eks. Du kan inkludere PS i den endelige analysemodel som et kontinuerligt mål eller oprette kvartiler og stratificere.

et par flere noter om PSA
PSA kan bruges til dikotom eller kontinuerlig eksponering.da PSA kun kan adressere målte kovariater, bør komplet implementering omfatte følsomhedsanalyse for at vurdere ikke-observerede kovariater.
PSA kan bruges i SAS, R og Stata. Disse er tilføjelser, der kan hentes.
selvom PSA traditionelt har været brugt i epidemiologi og biomedicin, er det også blevet brugt i pædagogisk test (Rubin er en af grundlæggerne) og økologi (EPA har en hjemmeside på PSA!).

styrker og begrænsninger af PSA

styrker
kan omfatte interaktionsbetingelser ved beregning af PSA.
PSA bruger en score i stedet for flere kovariater til at estimere effekten. Dette gør det muligt for en efterforsker at bruge snesevis af kovariater, hvilket normalt ikke er muligt i traditionelle multivariable modeller på grund af begrænsede frihedsgrader og nultællingsceller, der stammer fra stratifikationer af flere kovariater.
kan bruges til dikotomiske og kontinuerlige variabler (kontinuerlige variabler har masser af igangværende forskning).
patienter inkluderet i denne undersøgelse kan være en mere repræsentativ prøve af “virkelige” patienter end en RCT ville give.
da vi ikke bruger nogen oplysninger om resultatet ved beregning af PS, vil ingen analyse baseret på PS bias effekt estimering.
vi undgår off-support inferens.
vi er mindre afhængige af p-værdier og andre modelspecifikke antagelser.
vi behøver ikke at kende årsagerne til resultatet for at skabe udskiftelighed.

Begrænsninger
den mest alvorlige begrænsning er, at PSA kun kontrollerer for målte kovariater.
gruppeoverlapning skal være betydelig (for at muliggøre passende matchning).
Matching på observerede kovariater kan åbne bagdørstier i uobserverede kovariater og forværre skjult bias.
PSA fungerer bedst i store prøver for at opnå en god balance mellem kovariater.
Hvis vi mangler data, får vi en manglende PS.
tager ikke højde for klyngedannelse (problematisk for forskning på kvarterniveau).

aflæsninger

Lærebøger& kapitler

Oakes JM og Johnson PJ. 2006. Tilstrækkelighed score matching for social epidemiologi i metoder i Social Epidemiologi (eds. JM Oakes og JS Kaufman), Jossey-Bass, San Francisco, CA.
enkel og klar introduktion til PSA med arbejdet eksempel fra social epidemiologi.

Hirano K og Imbens GV. 2005. Tilbøjelighedsscore med kontinuerlige behandlinger i anvendt bayesisk modellering og årsagssammenhæng fra ufuldstændige Dataperspektiver: en vigtig rejse med Donald Rubins statistiske familie (eds. Meng), John Viley & Sons, Ltd, Chichester, UK.
diskussion af brugen af PSA til kontinuerlige behandlinger.

metodiske artikler

Rosenbaum PR og Rubin DB. 1983. Den centrale rolle tilbøjelighed score i observationsstudier for kausale virkninger. Biometrika, 70(1); 41-55.
Germinal artikel om PSA.Rosenbaum PR og Rubin DB. 1985. Bias på grund af ufuldstændig matchning. Biometrika, 41(1); 103-116.
diskussion af bias på grund af ufuldstændig matchning af emner i PSA.

D ‘ Agostino RB. 1998. Tilbøjelighed score metoder til bias reduktion i sammenligningen af en behandling til en ikke-randomiseret kontrolgruppe. Statist Med, 17; 2265-2281.
En yderligere diskussion af PSA med arbejdede eksempler. Omfatter beregninger af standardiserede forskelle og bias reduktion.Joffe MM og Rosenbaum PR. 1999. Inviteret kommentar: tilbøjelighed scores. Am J Epidemiol,150 (4); 327-333.
diskussion af anvendelser og begrænsninger af PSA. Inkluderer også diskussion af PSA i case-kohortestudier.

ansøgning artikler

Kumar S og Vollmer S. 2012. Er adgang til forbedret sanitet reducere diarre i landdistrikterne Indien. Sundhed Econ. DOI: 10.1002 / hec.2809
anvender PSA til sanitet og diarre hos børn i landdistrikterne Indien. Masser af forklaring på, hvordan PSA blev udført i papiret. Godt eksempel.

Suh HS, Hay JV, Johnson KA, og læge, JN. 2012. Sammenlignende effektivitet af statin plus fibrat kombinationsterapi og statinmonoterapi hos patienter med type 2-diabetes: brug af tilbøjelighed-score og instrumentelle variable metoder til at justere til behandling-valg bias.Pharmacoepidemiol og lægemiddelsikkerhed. DOI: 10.1002 / pds.3261
anvender PSA til terapier til type 2 diabetes. Sammenligner også PSA med instrumentelle variabler.

Rubin DB. 2001. Brug af tilbøjelighedsscore til at hjælpe med at designe observationsstudier: anvendelse på tobakssager. Sundhed Serv Resultater Res Metode, 2; 169-188.
mere avanceret anvendelse af PSA af en af PSA ‘ s ophavsmænd.

Landrum MB og Ayanian JS. 2001. Årsagseffekt af ambulant specialpleje på dødelighed efter myokardieinfarkt: en sammenligning af tilbøjelighed socre og instrumental variabel analyse. Sundhed Serv Resultater Res Metode, 2; 221-245.
et godt klart eksempel på PSA anvendt på dødelighed efter MI. Sammenligning med IV-metoder.Bingenheimer JB, Brennan RT og Earls FJ. 2005. Eksponering for skydevåben og alvorlig voldelig opførsel. Videnskab, 308; 1323-1326.
interessant eksempel på PSA anvendt til skydevold eksponering og efterfølgende alvorlig voldelig adfærd.

hjemmesider

implementering af statistisk programmel
program til implementering af matchningsmetoder og tilbøjelighedsscore:

for SAS Makro:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: computeriseret matchning af cases til controls ved hjælp af den grådige matchingsalgoritme med et fast antal kontroller pr.sag.
vmatch :computeriseret matchning af sager til Kontroller ved hjælp af variabel optimal matching.

SAS dokumentation:

for R-program:

Slides fra Thomas Love 2003 Asa præsentation:

ressourcer (uddelingskopier, kommenteret bibliografi) fra Thomas Love:

forklaring og eksempel fra økologi af PSA:

kurser

et online værksted om tilbøjelighed Score Matching er tilgængelig via EPIC