Áttekintés

A PS egy valószínűség. Valójában ez egy feltételes valószínűsége annak, hogy ki vannak téve egy sor kovariánsnak, Pr-nek(E+|kovariánsoknak). Minden tantárgy esetében kiszámolhatunk egy PS-t egy megfigyelési tanulmányban, függetlenül a tényleges expozíciótól.

Ha minden tantárgyhoz van egy PS, akkor visszatérünk a leleplezett és megvilágítatlan való világba. A kitett alanyokat azonos (vagy nagyon hasonló) PS-vel párosíthatjuk. Így az expozíció valószínűsége megegyezik a megvilágítatlanság valószínűségével. Az expozíció ” véletlenszerű.”

leírás

a Propensity score analysis (PSA) a megfigyelési vizsgálatok során a kitett és megvilágítatlan csoportok közötti cserélhetőség elérésének egyik módja a hagyományos modellépítésre való támaszkodás nélkül. A cserélhetőség kritikus az ok-okozati következtetésünk szempontjából.

kísérleti vizsgálatokban (pl. randomizált kontroll vizsgálatok) az expozíció valószínűsége 0, 5. Így a megvilágítatlanság valószínűsége is 0,5. Annak a valószínűsége, hogy ki vannak téve, vagy megvilágítatlan ugyanaz. Ezért az alany tényleges expozíciós állapota véletlenszerű.

Ez az egyenlő expozíciós valószínűség kényelmesebbé teszi számunkra, hogy kijelentjük, hogy a kitett és megvilágítatlan csoportok minden tényezőn hasonlóak, kivéve az expozíciót. Ezért azt mondjuk, hogy van cserélhetőség csoportok között.

a megfigyelési vizsgálatok egyik legnagyobb kihívása az, hogy a kitett vagy megvilágítatlan csoportban való részvétel valószínűsége nem véletlenszerű.

számos olyan eset van, amikor egy kísérleti vizsgálat nem megvalósítható vagy etikus. De még mindig szeretnénk a csoportok cserélhetőségét randomizációval elérni. A PSA segít nekünk egy kísérleti tanulmány utánzásában egy megfigyelési tanulmány adatai alapján.

PSA

5 rövid leírása a PSA
1. Döntse el, hogy milyen kovariánsokat szeretne felvenni.
2. Használja a logisztikai regressziót, hogy minden tárgyhoz PS-t kapjon.
3. Match exposed and unexposed subjects on the PS.
4. A PS-re való illesztés után ellenőrizze a kovariánsok egyensúlyát a kitett és megvilágítatlan csoportokban.
5. Számítsa ki a hatásbecslést és a standard hibákat ezzel a match populációval.

1. Döntse el, hogy milyen kovariánsokat szeretne felvenni.
Ez a PSA kritikus lépése. Ezeket a kovariánsokat használjuk az expozíció valószínűségének előrejelzésére. Az expozíció minden előrejelzőjét be akarjuk vonni, az expozíció hatásait pedig nem. Nem vesszük figyelembe az eredményt a kovariánsaink eldöntésében. Lehetnek zavaró tényezők és interakciós változók is. Ha kétségeink vannak a kovariánssal kapcsolatban, akkor azt a kovariánsaink közé soroljuk (kivéve, ha úgy gondoljuk, hogy ez az expozíció hatása).

2. Használja a logisztikai regressziót, hogy minden tárgyhoz PS-t kapjon.
a kovariánsokat használjuk, hogy megjósoljuk a expozíció valószínűségét (ami a PS). Minél igazabb kovariánsokat használunk, annál jobb előrejelzésünk a expozíció valószínűségéről. Kiszámítjuk a PS-t minden alanyra, kitett és megvilágítatlan.

számokkal és görög betűkkel:
ln (PS / (1-PS))= β0+ß1X1+…+ßpXp
PS= (EXP(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Match exposed and unexposed subjects on the PS.
meg akarjuk egyezni a kitett és megvilágítatlan alanyokat annak valószínűségével, hogy ki vannak téve (PS). Ha nem találunk megfelelő egyezést, akkor ezt a témát eldobják. Egy tárgy eldobása elfogultságot vezethet be elemzésünkbe.

Több módszer létezik a párosításhoz. A leggyakoribb a legközelebbi szomszéd a féknyergeken belül. A legközelebbi szomszéd lenne az a megvilágítatlan téma, amelynek PS-je a PS-hez legközelebb van a kitett alanyunk számára.

lehet, hogy nem találunk pontos mérkőzést, ezért azt mondjuk, hogy bizonyos féknyereg-határokon belül elfogadunk egy PS-pontszámot. Apriori értéket állítunk be a féknyergek számára. Ez az érték általában +/-0.01-től +/-0.05-ig terjed. 0 alatt.01, a becslésen belül sok variabilitást kaphatunk, mert nehézségeink vannak a mérkőzések megtalálásával, ami arra vezet, hogy eldobjuk ezeket a témákat (hiányos illesztés). Ha elhaladunk 0.05, lehet, hogy kevesebb benne, hogy az exponált, megvilágítatlan valóban cserélhető (pontatlan megfelelő). Általában 0,01-et választanak a vágáshoz.

a megvilágítatlan alanyok aránya változó. 1:1 matching lehet tenni, de gyakorta illő csere történik helyett, hogy a jobb mérkőzések. Megfelelő a csere lehetővé teszi, hogy a megvilágítatlan tárgya, hogy már megegyezett egy kitéve téma, hogy visszatért a medence, a megvilágítatlan tantárgyak számára rendelkezésre álló, megfelelő.

van egy kompromisszum az elfogultság és a pontosság között megfelelő csere nélkül (1:1). A helyettesítéssel való egyeztetés lehetővé teszi a csökkentett torzítást, mivel az alanyok jobban megfelelnek. A csere nélküli illesztés jobb pontossággal rendelkezik, mivel több tantárgyat használnak.

4. A PS-re való illesztés után ellenőrizze a kovariánsok egyensúlyát a kitett és megvilágítatlan csoportokban.
A kovariánsokban jelentős átfedésnek kell lennie a kitett és a nem megvilágított csoportok között ahhoz, hogy ok-okozati következtetéseket vonjunk le adatainkból. Ez minden modellben igaz, de a PSA-ban vizuálisan nagyon nyilvánvalóvá válik. Ha nincs átfedés a kovariánsokban (azaz ha nincs átfedés a hajlandóság pontszámai között), akkor minden következtetést az adatok támogatásán kívül kellene levonni (így a következtetések modellfüggőek lennének).

használhatunk néhány eszközt a kovariánsok egyensúlyának felmérésére. Először is létrehozhatunk egy hisztogramot a PS-ről a kitett és megvilágítatlan csoportok számára. Másodszor, fel tudjuk mérni a szabványosított különbséget. Harmadszor, fel tudjuk mérni az elfogultság csökkentését.

standardizált különbség=(100*(átlagos (x exposed) – (átlagos (x exposed))) / (sqrt (((SD^2EXPOSED+ SD^2unexposed)/2)))

Több mint 10% különbség tekinthető rossz. Kovariánsaink túlságosan különbözőképpen oszlanak el a kitett és a nem megvilágított csoportok között ahhoz, hogy jól érezzük magunkat a csoportok közötti cserélhetőség feltételezésében.
Bias reduction= 1-(/standardizált különbség kiegyenlített / / / standardizált különbség páratlan/)
szeretnénk látni jelentős csökkenése torzítás a páratlan a kiegyenlített elemzés. Ami lényeges, az rajtad múlik.
5. Számítsa ki a hatásbecslést és a standard hibákat ezzel az egyező populációval.
a kezelt (ATT)=sum(y exposed – y unexposed)/# átlagos kezelési hatásának becslése
Standard hibák számíthatók bootstrap resampling módszerekkel.
a kapott párokat standard statisztikai módszerekkel, például Kaplan-Meier, Cox arányos veszélyességi modellekkel is lehet elemezni. A PS-t a végső elemzési modellbe is felveheti folyamatos mérésként, vagy kvartilokat hozhat létre és rétegezhet.

néhány további megjegyzés a PSA-ról
a PSA dichotóm vagy folyamatos expozíciókhoz használható.
mivel a PSA csak a mért kovariánsokat tudja kezelni, a teljes implementációnak érzékenységi elemzést kell tartalmaznia a nem megfigyelt kovariánsok értékelésére.
PSA használható SAS, R, és Stata. Ezek a bővítmények letölthetők.
bár a PSA-t hagyományosan epidemiológiában és biomedicinben használják, az oktatási tesztekben is használták (Rubin az egyik alapító) és az ökológiában (az EPA-nak van egy weboldala a PSA-ról!).

A PSA erősségei és korlátai

erősségei
tartalmazhatnak interakciós kifejezéseket a PSA kiszámításakor.
a PSA több kovariáns helyett egy pontszámot használ a hatás becsléséhez. Ez lehetővé teszi a kutató számára, hogy több tucat kovariátumot használjon, ami általában nem lehetséges a hagyományos többváltozós modellekben a korlátozott szabadságfok és a több kovariáns rétegződéséből eredő nulla szám cellák miatt.
dichotóm és folytonos változókhoz használható (a folyamatos változók sok folyamatban lévő kutatással rendelkeznek).
a vizsgálatban részt vevő betegek reprezentatívabb mintája lehet a “valós világ” betegeknek, mint amit egy RCT biztosítana.
mivel a PS kiszámításakor nem használunk semmilyen információt az eredményről, a PS-en alapuló elemzés nem torzítja a hatás becslését.
kerüljük off-support következtetés.
kevésbé támaszkodunk a p-értékekre és más modellspecifikus feltételezésekre.
nem kell tudnunk az eredmény okait a cserélhetőség létrehozásához.

korlátozások
a legsúlyosabb korlátozás az, hogy a PSA csak a mért kovariánsokat szabályozza.
A csoport átfedésének jelentősnek kell lennie (a megfelelő illesztés lehetővé tétele érdekében).
a megfigyelt kovariánsokon történő illesztés A nem figyelt kovariánsokban nyithatja meg a hátsó ajtókat, és súlyosbíthatja a rejtett torzítást.
a PSA nagy mintákban működik a legjobban, hogy jó kovariáns egyensúlyt érjen el.
Ha hiányzik az adat, akkor hiányzik a PS.
nem veszi figyelembe a klaszterezést (problémás a szomszédsági szintű kutatás szempontjából).

&

Oakes JM és Johnson pj. 2006. Hajlam pontszám megfelelő szociális epidemiológia módszerek szociális Epidemiológia (eds. JM Oakes és JS Kaufman), Jossey-Bass, San Francisco, ca.
egyszerű és egyértelmű bevezetés a PSA-ba a szociális epidemiológia bevált példájával.

Hirano k és Imbens GW. 2005. Az alkalmazott Bayes-modellezés és az ok-okozati következtetés folyamatos kezeléseivel a hiányos adatok szempontjából: alapvető utazás Donald Rubin statisztikai családjával (eds. A Gelman and XL Meng), John Wiley & Sons, Ltd, Chichester, UK.
a PSA folyamatos kezelésekre történő alkalmazásának megvitatása.

Módszertani cikkek

Rosenbaum PR és Rubin DB. 1983. A tendencia pontszámának központi szerepe az ok-okozati hatások megfigyelési vizsgálataiban. Biometrika, 70(1); 41-55.
német nyelvű cikk a PSA-ról.

Rosenbaum PR és Rubin DB. 1985. A hiányos illesztés miatti torzítás. Biometrika, 41(1); 103-116.
az elfogultság megvitatása a PSA-ban szereplő alanyok hiányos illesztése miatt.

D ‘ Agostino RB. 1998. Hajlam pontszám módszerek torzítás csökkentése az összehasonlítás a kezelés egy nem randomizált kontrollcsoport. Statist Med, 17; 2265-2281.
a PSA további megvitatása bevált példákkal. Tartalmazza a standardizált különbségek számítását és az elfogultság csökkentését.

Joffe MM és Rosenbaum PR. 1999. Meghívott kommentár: hajlam pontszámok. Amjodzsid,150(4); 327-333.
a PSA használatának és korlátozásainak megvitatása. Magában foglalja a PSA megvitatását az eset-kohorsz vizsgálatokban is.

alkalmazási cikkek

Kumar S and Vollmer S. 2012. A jobb higiéniához való hozzáférés csökkenti a hasmenést Indiában. Egészségügyi Econ. DOI: 10.1002 / hec.2809
a PSA-t az indiai vidéki gyermekek higiéniájára és hasmenésére alkalmazza. Sok magyarázat arról, hogy a PSA-t hogyan végezték a papírban. Jó példa.

Suh HS, Hay JW, Johnson KA, and Doctor, JN. 2012. A sztatin plusz fibrát kombinációs terápia és sztatin monoterápia összehasonlító hatékonysága 2-es típusú cukorbetegségben szenvedő betegeknél: hajlam-pontszám és instrumentális változó módszerek alkalmazása a kezelés-szelekciós torzításhoz.Farmakoepidemiol és gyógyszerbiztonság. DOI: 10.1002 / pds.A 3261
PSA-t alkalmaz a 2-es típusú cukorbetegség kezelésére. Összehasonlítja a PSA-t az instrumentális változókkal is.

Rubin DB. 2001. Használata hajlam pontszámok, hogy segítsen tervezési megfigyelési tanulmányok: alkalmazás a dohány peres. Egészségügyi Szerv Eredmények Res Módszer, 2; 169-188.
a PSA fejlettebb alkalmazása a PSA egyik kezdeményezője által.

Landrum MB és Ayanian JZ. 2001. Az ambuláns speciális ellátás ok-okozati hatása a myocardialis infarctust követő halálozásra: a hajlam socre és az instrumentális változó analízis összehasonlítása. Egészségügyi Szerv Eredmények Res Módszer, 2; 221-245.
a PSA jó egyértelmű példája a mi utáni mortalitásra. Összehasonlítás IV módszerekkel.

Bingenheimer JB, Brennan RT, and Earls FJ. 2005. Lőfegyverrel való visszaélés és súlyos erőszakos viselkedés. Tudomány, 308; 1323-1326.
érdekes példa a PSA alkalmazott lőfegyver erőszak expozíció és az azt követő súlyos erőszakos viselkedés.

Honlapok

Statisztikai Szoftver Megvalósítása
Szoftver végrehajtási megfelelő módszerek hajlandóság pontszámok:

A SAS makró:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: Számítógépes megfelelő esetben a vezérlők használata a kapzsi megfelelő algoritmus egy meghatározott számú ellenőrzések alapján történhet.
Vmatch: az esetek számítógépes illesztése a vezérlőkhöz változó optimális illesztéssel.

SAS dokumentáció:

R program esetén:

a Diák Thomas Szerelem 2003 ASA bemutató:

Források (szórólapok, annotált bibliográfia) Thomas Szerelem:

további példa az ökológia, a PSA:

Tanfolyamok

Egy online műhely, a Hajlandóság Score Matching keresztül érhető el EPIKUS