概要

ソフトウェア

説明

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

ウェブサイト

/P>

測定値

コース

概要

psは確率です。 実際、これは、共変量のセットPr（E+|共変量）が与えられたときに公開される条件付き確率です。 実際の曝露にかかわらず、観察研究では各被験者のPSを計算することができます。

各被験者のPSを取得すると、露出した未露光の現実の世界に戻ります。

露出した被験者と、同じ（または非常に類似した）PSを持つ未露光の被験者とを一致させることができます。 したがって、露光される確率は、未露光される確率と同じである。 露出は”ランダムです。”

説明

傾向スコア分析（PSA）は、伝統的なモデル構築に頼ることなく、観察研究における暴露群と未暴露群の間の交換性を達成する方法とし 交換可能性は私たちの因果推論にとって重要です。実験的研究（例えば、無作為化対照試験）では、暴露される確率は0.5である。 したがって、未露光である確率も0.5である。 露出または未露光される確率は同じです。 したがって、被験者の実際の曝露状態はランダムである。

露出のこの等しい確率は、私たちは、露出したグループと未露出のグループは、それらの露出を除くすべての要因に似ていることを主張し、より快適に感 したがって、私たちはグループ間の交換可能性を持っていると言います。

観察研究の最大の課題の1つは、露出したグループまたは未露出のグループにいる確率がランダムではないことです。

実験的研究が実現不可能または倫理的ではない場合がいくつかあります。

しかし、我々はまだ無作為化によって達成されたグループの交換可能性を望んでいます。 PSAは、観察研究からのデータを使用して実験的研究を模倣するのに役立ちます。

Psaを行う

5PSAへのステップを簡単に説明しました
1. 含める共変量のセットを決定します。
2. ロジスティック回帰を使用して、各被験者のPSを取得します。
3. PS上の露出した被験者と未露光の被験者とを一致させる。
4. PSで照合した後、露出したグループと非露出グループの共変量のバランスを確認します。
5. この一致母集団を使用して、効果の推定値と標準誤差を計算します。

1. 含める共変量のセットを決定します。
これはあなたのPSAにとって重要なステップです。 これらの共変量を使用して、暴露の確率を予測します。 私たちは、露出のすべての予測変数と露出の影響のいずれも含めたいと考えています。 共変量を決定する際の結果は考慮しません。 交絡因子と相互作用変数を含めることができます。 共変量に疑問がある場合は、それを共変量のセットに含めます（それが暴露の影響であると思わない限り）。

2. ロジスティック回帰を使用して、各被験者のPSを取得します。
共変量を使用して、公開される確率を予測します（これはPSです）。 私たちが使用する真の共変量が多いほど、暴露される確率の予測は良くなります。 我々は、露出および未露光のすべての被験者についてPSを計算する。

を使用数およびギリシャ文:
ln(PS/(1-P)=β0+ß1X1+…+ßpXp
PS=(exp(β0+ß1X1+…+ßpXp))/(1+exp(β0+ß1X1+…+ßpXp))

3. PS上の露出した被験者と未露光の被験者とを一致させる。
私たちは、露出されているの彼らの確率（彼らのPS）に露出し、未露光の被験者を一致させたいです。 適切な一致が見つからない場合、その対象は破棄されます。 対象を破棄すると、我々の分析にバイアスを導入することができます。

マッチングのためのいくつかのメソッドが存在します。 最も一般的なのは、ノギス内の最も近い隣人です。 最も近い隣人は、露出していない被験者のPSに最も近いPSを有する未露光の被験者であろう。

完全一致を見つけることができない可能性があるため、特定のキャリパー境界内でPSスコアを受け入れると言います。

キャリパーのapriori値を設定しました。 通常、この値の範囲は+/-0.01～+/-0.05です。 0以下。01,我々は困難な一致を見つけることを持っているので、我々は推定内の変動の多くを得ることができ、これは、これらの被験者を破棄するために私たちを 0.05を過ぎると、露出していないものと露出していないものが本当に交換可能であるという自信がなくなるかもしれません（不正確なマッチング）。 通常、カットオフには0.01が選択されます。

未露光の被験者に曝露された割合は可変である。

1:1マッチングを行うことができますが、多くの場合、より良いマッチングを可能にするために代わりに置換とのマッチングが行われます。 置換との照合は、露出した被験者と照合された未露光の被験者を、照合のために利用可能な未露光の被験者のプールに戻すことを可能にする。

置換によるマッチングとなし(1:1)の間には、バイアスと精度のトレードオフがあります。 置換とのマッチングは、被験者間のマッチングが良好であるため、バイアスを減少させることができます。 置換なしのマッチングは、より多くの被験者が使用されるため、精度が向上します。

4. PSで照合した後、露出したグループと非露出グループの共変量のバランスを確認します。
データから因果推論を行うためには、露出したグループと未露出のグループの間の共変量に実質的な重複が存在する必要があります。 これはすべてのモデルに当てはまりますが、PSAでは視覚的に非常に明白になります。 共変量に重複がない場合（つまり、傾向スコアの重複がない場合）、すべての推論はデータのサポートから外れて行われます（したがって、結論はモデルに依存共変量のバランスを評価するためにいくつかのツールを使用できます。

まず、露光されたグループと未露光のグループのPSのヒストグラムを作成できます。 第二に、我々は標準化された差を評価することができます。 第三に、我々はバイアス低減を評価することができます。標準化された差=(100*(mean(x exposed)-(mean(x unexposed)))/(sqrt((SD^2exposed+SD^2unexposed)/2))

10％以上の差が悪いと見なされます。 私たちの共変量は、グループ間の交換可能性を仮定して快適に感じるために、露出したグループと未露光グループの間であまりにも異なって分布してい
バイアス削減=1-(|標準化された差が一致しました|/|標準化された差が一致しません|)
我々は、一致しない分析に一致しないからバイアスの大幅な減少を見 どのような実質的な手段はあなた次第です。
5. この一致した母集団を使用して、効果の推定値と標準誤差を計算します。
処理された平均処理効果の推定値(ATT)=sum(y exposed-y unexposed)/マッチしたペアの#
標準誤差は、ブートストラップリサンプリング法を使用して計算することができます。
得られた一致したペアは、標準的な統計的方法、例えばKaplan-Meier、Cox比例ハザードモデルを使用して分析することもできます。 最後の分析モデルにPSを連続測度として含めるか、四分位数を作成して層別化することができます。

PSAに関するいくつかのより多くのノート
PSAは、二分法または連続暴露のために使用することができます。
PSAは測定された共変量のみを扱うことができるため、観測されていない共変量を評価するための感度分析を完全に実装する必要があります。PSAは、SAS、R、およびStataで使用できます。 これらはダウンロード可能なアドオンです。PSAは伝統的に疫学や生物医学で使用されてきましたが、教育テスト（Rubinは創設者の1人です）や生態学（EPAにはPSAに関するウェブサイトがあります！).PSAの強さと限界PSAの計算に相互作用項を含めることができます。

PSAは、効果を推定する際に複数の共変量の代わりに一つのスコアを使用します。 これにより、研究者は数十の共変量を使用することができますが、これは、自由度が限られており、複数の共変量の層別化から生じるゼロカウントセルのため、従来の多変数モデルでは通常は不可能です。
二分変数と連続変数に使用することができます（連続変数には多くの研究が行われています）。
この研究に含まれる患者は、RCTが提供するよりも”現実世界”の患者のより代表的なサンプルである可能性があります。
PSを計算する際に結果に関する情報を使用しないため、PSに基づく分析は効果推定に偏りがありません。
オフサポート推論は避けています。
我々は、p値と他のモデル固有の仮定にあまり依存しています。
交換可能性を生み出すために結果の原因を知る必要はありません。

制限
最も深刻な制限は、PSAが測定された共変量に対してのみコントロールすることです。
グループの重複は、（適切なマッチングを可能にするために）実質的でなければなりません。
観測された共変量のマッチングは、観測されていない共変量でバックドアパスを開き、隠されたバイアスを悪化させる可能性があります。
PSAは、共変量の良好なバランスを得るために、大きなサンプルで最適に機能します。
データが不足している場合、PSが不足しています。
クラスタリングを考慮していません（近隣レベルの研究には問題があります）。

読書

教科書&章

オークスJMとジョンソンPJ。 2006. 社会疫学における方法における社会疫学のための傾向スコアマッチング（eds。 JM Oakes and JS Kaufman),Jossey-Bass,San Francisco,CA.
社会疫学からの作業例とPSAへの簡単かつ明確な紹介。

平野KとGwをImbens。 2005. 不完全なデータの視点からの適用されたベイズモデリングと因果推論における連続的な治療法による傾向スコア：Donald Rubinの統計的家族との本質的な旅（ A Gelman and XL Meng),John Wiley&Sons,Ltd,Chichester,UK.
継続的な治療のためのPSAを使用しての議論。

方法論的な記事

Rosenbaum PRとRubin DB。 1983. 因果効果のための観察研究における傾向スコアの中心的な役割。 バイオメトリカ,70(1);41-55.
PSAに関する胚芽の記事。

Rosenbaum PRとRubin DB。 1985. 不完全なマッチングによるバイアス。 バイオメトリカ,41(1);103-116.
PSAにおける被験者の不完全なマッチングによるバイアスの議論。

ダゴスティーノRB。 1998. 非ランダム化対照群への治療の比較におけるバイアス低減のための傾向スコア方法。 Statist Med,17;2265-2281.
PSAのさらなる議論は、実際の例と一緒に行われました。 標準化された差異とバイアス低減の計算が含まれています。

Joffe MMとRosenbaum PR。 1999. 招待解説：性向スコア。 Am J Epidemiol,150(4);327-333.
PSAの使用と制限の議論。 また、ケースコホート研究におけるPSAの議論も含まれています。

アプリケーション記事

Kumar SとVollmer S.2012. 改善された衛生設備へのアクセスは、インドの農村部で下痢を軽減しますか。 健康エコ… ドイ:10.1002/hec.2809
インドの農村部の子供たちの衛生と下痢にPSAを適用します。 PSAがどのように行われたかについての多くの説明が論文に記載されています。 良い例。

Suh HS、Hay JW、Johnson KA、およびDoctor、JN。 2012. 2型糖尿病患者におけるスタチンプラスフィブラート併用療法およびスタチン単独療法の比較有効性：治療選択バイアスを調整するための傾向スコアPharmacoepidemiolおよび薬剤の安全性。 ドイ:10.1002/pds.3261
PSAを2型糖尿病の治療に適用します。 また、PSAを楽器変数と比較します。

ルービンDB。 2001. 傾向スコアを使用して観察研究を設計するのに役立ちます：タバコ訴訟への応用。 ヘルスサービスレスメソッド、2; 169-188.
PSAの創始者の一人によるPSAのより高度なアプリケーション。

Landrum MBとAyanian JZ。 2001. 心筋梗塞後の死亡率に対する外来専門ケアの因果関係：傾向socreと器械変数分析の比較。 221-245.
PSAの良い明確な例は、MI後の死亡率に適用されます。 IV法との比較。

ビンゲンハイマー JB、ブレナンRT、アールFJ。 2005. 銃器の暴力暴露と深刻な暴力的な行動。 科学,308;1323-1326.
PSAの興味深い例は、銃器の暴力暴露とその後の深刻な暴力的な行動に適用されます。

ウェブサイト

統計ソフトウェアの実装
マッチング方法と傾向スコアを実装するためのソフトウェア:

SASマクロの場合:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch:ケースごとのコントロールの固定数と貪欲なマッチングアルゴリズムを使用してコントロールへのケースのコンピュータ化されたマッチング。
vmatch:変数最適マッチングを使用して制御するケースのコンピュータ化されたマッチング。Rプログラム用

SASドキュメント:

:

Thomas Love2003ASAプレゼンテーションからのスライド：

Thomas Loveからのリソース（配布資料、注釈付き参考文献）：

PSAの生態学からの説明と例：

コース

性向スコアマッチングに関するオンラインワークショップは、EPICを通じて利用可能である。