ohjelmisto

kurssit

yleiskatsaus

PS on todennäköisyys. Itse asiassa se on ehdollinen todennäköisyys altistua annetaan joukko kovariaatit, Pr (E+ / kovariaatit). Voimme laskea PS: n jokaiselle tutkittavalle havaintotutkimuksessa riippumatta hänen todellisesta altistuksestaan.

kun meillä on PS jokaiselle subjektille, palaamme sen jälkeen reaalimaailmaan exposed ja unexposed. Voimme sovittaa altistuneet kohteet altistamattomiin aiheisiin, joilla on sama (tai hyvin samankaltainen) PS. Paljastumisen todennäköisyys on siis sama kuin paljastumisen todennäköisyys. Altistuminen on ” satunnaista.”

Description

Propensity score analysis (PSA) syntyi keinona saavuttaa vaihdettavuus altistuneiden ja valottamattomien ryhmien välillä havaintotutkimuksissa turvautumatta perinteiseen mallirakentamiseen. Vaihdettavuus on tärkeää syy-seuraussuhteemme kannalta.

kokeellisissa tutkimuksissa (esimerkiksi satunnaistetuissa kontrollikokeissa) altistumistodennäköisyys on 0, 5. Näin ollen myös todennäköisyys jäädä hyödyntämättä on 0,5. Todennäköisyys altistua tai altistua on sama. Siksi koehenkilön todellinen altistustila on satunnainen.

tämä yhtäläinen altistumistodennäköisyys saa meidät vakuuttumaan siitä, että altistuneet ja altistuneet ryhmät ovat samanlaisia kaikissa muissa tekijöissä paitsi altistumisessaan. Siksi sanomme, että olemme vaihdettavissa ryhmien välillä.

yksi havaintotutkimusten suurimmista haasteista on se, että todennäköisyys olla altistuneessa tai valottamattomassa ryhmässä ei ole satunnainen.

on useita tilanteita, joissa kokeellinen tutkimus ei ole toteuttamiskelpoinen tai eettinen. Haluaisimme silti, että ryhmien vaihdettavuus saavutetaan satunnaistamisella. PSA auttaa meitä jäljittelemään kokeellista tutkimusta käyttämällä havaintotutkimuksen tietoja.

PSA: n johtaminen

5 lyhyesti kuvattua vaihetta PSA: lle
1. Päätä, mitkä kovariaatit haluat sisällyttää.
2. Käytä logistista regressiota saadaksesi PS: n jokaiselle aiheelle.
3. Vastaa PS: n altistuneita ja altistamattomia aiheita.
4. Tarkista kovariaattien tasapaino altistuneissa ja valottamattomissa ryhmissä PS: n yhteensopivuuden jälkeen.
5. Laske vaikutusarvio ja keskivirheet tällä ottelupopulaatiolla.

1. Päätä, mitkä kovariaatit haluat sisällyttää.
Tämä on kriittinen vaihe PSA: llesi. Käytämme näitä kovariaatteja ennustaaksemme altistumistodennäköisyytemme. Haluamme sisällyttää mukaan kaikki altistumisen ennustajat, mutta emme mitään altistumisen vaikutuksista. Me emme ota huomioon lopputulosta päättäessämme kovariaateistamme. Saatamme sisältää sekoittajia ja vuorovaikutusmuuttujia. Jos epäilemme kovariaattia, sisällytämme sen kovariaattijoukkoomme (ellemme ajattele, että se on valotuksen vaikutus).

2. Käytä logistista regressiota saadaksesi PS: n jokaiselle aiheelle.
käytämme kovariaatteja ennustamaan altistumistodennäköisyyttä (joka on PS). Mitä enemmän oikeita kovariaatteja käytämme, sitä paremmin ennustamme altistumistodennäköisyyden. Laskemme PS: n kaikille kohteille, altistuneille ja valottamattomille.

käyttäen numeroita ja kreikkalaisia kirjaimia:
Ln (PS/(1-PS))= β0+ß1X1+…+ßpXp
PS= (exp(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Vastaa PS: n altistuneita ja altistamattomia aiheita.
haluamme sovittaa altistuneet ja valottamattomat koehenkilöt heidän altistumistodennäköisyyteensä (PS). Jos emme löydä sopivaa vastaavuutta, se aihe hylätään. Kohteen hylkääminen voi tuoda harhaa analyysiimme.

vastaavia menetelmiä on useita. Yleisin on lähin naapuri sisällä jarrusatulat. Lähin naapuri olisi valottamaton aihe, joka on PS lähimpänä PS meidän altistunut aihe.

emme välttämättä löydä tarkkaa vastaavuutta, joten sanomme hyväksyvämme PS-pisteet tiettyjen caliperin rajojen sisällä. Asetimme jarrusatulat aprioriarvon. Tämä arvo vaihtelee tyypillisesti + / -0.01: stä +/-0.05: een. Alle 0.01, voimme saada paljon vaihtelua sisällä arvio, koska meillä on vaikeuksia löytää Ottelut ja tämä johtaa meidät hylätä nämä aiheet (epätäydellinen matching). Jos menemme yli 0.05, voimme olla vähemmän varmoja siitä, että altistuneet ja valottamattomat ovat todella vaihdettavissa (epätarkka matching). Tyypillisesti 0,01 valitaan katkaisuun.

altistuneiden suhde tutkimattomiin on vaihteleva. 1: 1 matching voidaan tehdä, mutta usein matching korvaaminen tehdään sen sijaan, jotta paremmin ottelut. Matching with replacement mahdollistaa valottamattoman kohteen, joka on sovitettu valottuneen kohteen kanssa, palauttamisen valottamattomien koehenkilöiden pooliin, joka on käytettävissä sovittamista varten.

on olemassa vaihtokauppa bias ja tarkkuus matching Korvaava ja ilman (1:1). Matching korvaaminen mahdollistaa vähentää harhaa, koska parempi matching koehenkilöiden. Matching ilman korvaavaa on parempi tarkkuus, koska enemmän aiheita käytetään.

4. Tarkista kovariaattien tasapaino altistuneissa ja valottamattomissa ryhmissä PS: n yhteensopivuuden jälkeen.
merkittävää päällekkäisyyttä kovariaateissa altistuneiden ja valottamattomien ryhmien välillä on oltava, jotta voimme tehdä kausaalisia päätelmiä tiedoistamme. Tämä pätee kaikissa malleissa, mutta PSA: ssa se tulee visuaalisesti hyvin ilmeiseksi. Jos kovariaateissa ei ole päällekkäisyyttä (eli jos meillä ei ole taipumuspisteiden päällekkäisyyttä), niin kaikki johtopäätökset tehdään pois-aineiston tuki (ja siten johtopäätökset olisivat malliriippuvaisia).

voimme arvioida kovariaattiemme tasapainoa parilla työkalulla. Ensin voimme luoda PS: n histogrammin altistuneille ja valottamattomille ryhmille. Toiseksi voimme arvioida standardoitua eroa. Kolmanneksi voimme arvioida puolueellisuuden vähenemistä.

standardoitu ero=(100*(keskiarvo(X altistunut)-(keskiarvo(X altistunut))/(sqrt((SD^2 exposed+ SD^2valottunut)/2))

yli 10%: n eroa pidetään huonona. Kovariaattimme jakaantuvat liian eri tavalla altistuneiden ja altistumattomien ryhmien välillä, jotta tuntisimme olomme mukavaksi olettaessamme vaihdettavuutta ryhmien välillä.
Bias reduction= 1 – (|standardized difference matched/||standardized difference unmatched/)
We would we would we would to see significant reduction in bias from the unmatched to the matched analysis. Mitä merkittäviä keinoja on sinusta kiinni.
5. Laske vaikutusarvio ja keskivirheet tällä sovitetulla perusjoukolla.
Estimate of average treatment effect of the treatment(ATT)=sum (y exposed – y unexposed)/# of matched paria
Standard erheet voidaan laskea bootstrap resampling methods-menetelmällä.
tuloksena olevat täsmäytetyt parit voidaan myös analysoida käyttäen tavanomaisia tilastollisia menetelmiä, esim. Kaplan-Meier, Cox proportional hazards models. Voit sisällyttää PS: n lopulliseen analyysimalliin jatkuvana mittana tai luoda kvartiileja ja osittaa.

PSA: sta
PSA: sta voidaan käyttää vielä muutama huomautus dikotomisille tai jatkuville altistuksille.
koska PSA voi käsitellä vain mitattuja kovariaatteja, täydelliseen toteutukseen tulisi sisältyä herkkyysanalyysi havaitsemattomien kovariaattien arvioimiseksi.
PSA: ta voidaan käyttää SAS: ssa, R: ssä ja Statassa. Nämä ovat ladattavia lisäosia.
vaikka PSA: ta on perinteisesti käytetty epidemiologiassa ja biolääketieteessä, sitä on käytetty myös opetustestauksessa (Rubin on yksi perustajista) ja ekologiassa (EPA: lla on verkkosivut PSA!).

PSA: n vahvuudet ja rajoitukset

vahvuudet
voivat sisältää vuorovaikutustermejä PSA: ta laskettaessa.
PSA käyttää efektin arvioinnissa yhtä pistemäärää useiden kovariaattien sijaan. Näin tutkija voi käyttää kymmeniä kovariaatteja, mikä ei ole perinteisissä monimuuttujamalleissa yleensä mahdollista useiden kovariaattien kerrostumista aiheutuvien rajallisten vapausasteiden ja nollalukusolujen vuoksi.
voidaan käyttää dikotomisia ja jatkuvia muuttujia (jatkuvilla muuttujilla on paljon käynnissä olevaa tutkimusta).
tässä tutkimuksessa mukana olevat potilaat saattavat olla edustavampi otos ”reaalimaailman” potilaista kuin mitä RCT antaisi.
koska emme käytä mitään tietoa tuloksesta LASKIESSAMME PS: ää, mikään PS: ään perustuva analyysi ei bias-efektin estimointi.
Vältämme off-support-päättelyn.
luotamme vähemmän p-arvoihin ja muihin mallikohtaisiin oletuksiin.
meidän ei tarvitse tietää lopputuloksen syitä luodaksemme vaihdettavuutta.

rajoitukset
vakavin rajoitus on, että PSA kontrolloi vain mitattuja kovariaatteja.
ryhmien päällekkäisyyksien tulee olla huomattavia (jotta ne sopivat yhteen).
Matching havaituilla kovariaateilla saattaa avata takaovipolkuja havaitsemattomissa kovariaateissa ja pahentaa piilevää vinoumaa.
PSA toimii parhaiten suurissa otoksissa saadakseen hyvän tasapainon kovariaatteihin.
Jos meillä on puuttuva tieto, saamme puuttuvan PS: n.
ei ota huomioon ryhmittelyä (ongelmallinen lähiötason tutkimukselle).

lukemat

oppikirjat & luvut

Oakes JM ja Johnson PJ. 2006. Propensity score matching for social epidemiology in Methods in Social Epidemiology (toim. JM Oakes ja JS Kaufman), Jossey-Bass, San Francisco, CA.
yksinkertainen ja selkeä johdatus PSA: han, jossa on toiminut esimerkki sosiaaliepidemiologiasta.

Hirano K ja Imbens GW. 2005. The propensity score with continuous treatments in Applied Bayesian Modeling and Causal Inference from Incomplete-Data Perspectives: an Essential Journey with Donald Rubin ’ s Statistical Family (toim. A Gelman ja XL Meng), John Wiley & Sons, Ltd, Chichester, Iso-Britannia.
Keskustelu PSA: n käytöstä jatkuviin hoitoihin.

metodologiset Artikkelit

Rosenbaum PR ja Rubin DB. 1983. Alttiusasteen keskeinen rooli kausaalisten vaikutusten havainnointitutkimuksissa. Biometrika, 70(1); 41-55.
Germinal article on PSA.

Rosenbaum PR ja Rubin DB. 1985. Vinouma, joka johtuu epätäydellisestä yhteensopivuudesta. Biometrika, 41(1); 103-116.
Keskustelu PSA: n aiheiden epätäydellisestä yhteensopivuudesta johtuvasta vinoumasta.

D ’ Agostino RB. 1998. Taipumus pisteytysmenetelmät Biasin vähentämiseksi verrattaessa hoitoa ei-satunnaistettuun kontrolliryhmään. Statist Med, 17; 2265-2281.
a further discussion of PSA with worked examples. Sisältää laskelmat standardoitu eroja ja bias vähentäminen.

Joffe MM ja Rosenbaum PR. 1999. Kutsumanimi: Propensity scores. Am J Epidemiol, 150 (4); 327-333.
Keskustelu PSA: n käytöistä ja rajoituksista. Sisältää myös PSA: n käsittelyn tapauskohorttitutkimuksissa.

Sovellusartikkelit

Kumar s ja Vollmer S. 2012. Vähentääkö parantuneen sanitaation saatavuus ripulia Intian maaseudulla? Terveysalan Ekonomi. DOI: 10.1002 / hec.2809
soveltaa PSA: ta Intian maaseudun lasten sanitaatioon ja ripuliin. Lehdessä oli paljon selityksiä PSA: n toiminnasta. Hyvä esimerkki.

suh HS, Hay JW, Johnson KA, ja Doctor, JN. 2012. Statiinin ja fibraatin yhdistelmähoidon ja statiinimonoterapian vertaileva teho tyypin 2 diabetespotilailla: alttiusasteikon ja instrumentaalisen vaihtelevien menetelmien käyttö hoidon valintaharhojen sopeuttamiseksi.Farmakoepidemioli ja lääkkeiden turvallisuus. DOI: 10.1002 / pds.3261
soveltaa PSA: ta tyypin 2 diabeteksen hoitoihin. Vertaa myös PSA: ta instrumentaalisiin muuttujiin.

Rubin DB. 2001. Propensity-pisteiden käyttäminen havainnoivien tutkimusten suunnittelussa: soveltaminen tupakan oikeudenkäyntiin. Health Servic Outcomes Res Method, 2; 169-188.
PSA: n kehittyneempi soveltaminen yhden PSA: n alullepanijan toimesta.

Landrum MB ja Ayanian JZ. 2001. Avohoidon erikoissairaanhoidon syy-seuraus-vaikutus sydäninfarktin jälkeiseen kuolleisuuteen: alttiuden socre: n ja instrumentaalisen muuttujan analyysin vertailu. Health Servic Outcomes Res Method, 2; 221-245.
Hyvä selkeä esimerkki PSA: sta, jota sovellettiin MI: n jälkeiseen kuolleisuuteen. Vertailu IV menetelmiä.

Bingenheimer JB, Brennan RT ja Earls FJ. 2005. Ampuma-aseväkivaltaa ja vakavaa väkivaltaista käytöstä. Science, 308; 1323-1326.
mielenkiintoinen esimerkki PSA: sta, jota sovellettiin ampuma-aseväkivaltaan ja siitä seuranneeseen vakavaan väkivaltaiseen käyttäytymiseen.

verkkosivut

tilastollisen ohjelmiston toteutus
ohjelmisto täsmäytysmenetelmien ja taipumuspisteiden toteuttamiseen:

SAS: n makro:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: tapausten tietokoneistettu sovittaminen kontrolleihin käyttämällä ahnetta täsmäytysalgoritmia, jossa on kiinteä määrä kontrolleja tapausta kohden.
vmatch: tietokoneistettu tapausten sovittaminen kontrolleihin käyttäen muuttuvaa optimaalista sovittamista.

SAS-dokumentaatio:

r-ohjelmalle:

diat Thomas Love 2003 ASA presentation:

Resources (handouts, annotated bibliography) from Thomas Love:

explaination and example from ecology of PSA:

Courses

an online workshop on Propensity Score Matching is available through EPIC