개요

PS 는 확률입니다. 실제로 공변량 집합 인 Pr(E+|공변량)이 주어지면 노출되는 조건부 확률입니다. 우리는 그녀의 실제 노출에 관계없이 관찰 연구에서 각 피험자에 대한 PS 를 계산할 수 있습니다.

일단 우리가 각 주제에 대한 PS 를 가지고 있다면,우리는 노출되고 표현되지 않은 현실 세계로 돌아갑니다. 우리는 노출 된 피험자와 동일한(또는 매우 유사한)PS 를 가진 노출되지 않은 피험자와 일치시킬 수 있습니다. 따라서 노출 될 확률은 노출되지 않을 확률과 동일합니다. 노출은”무작위.”

Description

점수 성향 분석(PSA)일어났을 달성하는 방법으로 교환 사이에 노출 및 노출되지 않은 그룹에서 관측 연구에 의존하지 않고 전통적인 모델은 건물입니다. 교환 성은 우리의 인과 관계 추론에 중요합니다.

실험 연구(예:무작위 대조군 시험)에서 노출 될 확률은 0.5 입니다. 따라서 표현되지 않을 확률도 0.5 입니다. 노출되거나 노출되지 않을 확률은 동일합니다. 따라서 피험자의 실제 노출 상태는 무작위입니다.

이 동등한 확률의 노출은 우리가 편안한 느낌을 것을 주장 노출 및 노출되지 않은 그룹은 모두에서 모든 요소를 제외하고 그들의 노출이 있습니다. 따라서 우리는 그룹 간의 교환 성이 있다고 말합니다.

가장 큰 과제 중 하나로 관찰 연구의 확률에 노출되거나 노출되지 않는 그룹이다.

실험적 연구가 실현 가능하지 않거나 윤리적이지 않은 경우가 몇 가지 있습니다. 그러나 우리는 여전히 무작위 화에 의해 달성 된 그룹의 교환 가능성을 원합니다. PSA 는 관측 연구의 데이터를 사용하여 실험 연구를 모방하는 데 도움이됩니다.

Psa 실시

5Psa
1 에 대한 단계를 간략하게 설명하였다. 포함하려는 공변량 집합을 결정하십시오.
2 입니다. 로지스틱 회귀를 사용하여 각 주제에 대한 PS 를 구하십시오.
3. PS 에 노출 및 노출되지 않은 과목을 일치시킵니다.
4. PS 에서 일치 한 후 노출 된 그룹과 노출되지 않은 그룹의 공변량의 균형을 확인하십시오.
5. 이 일치 모집단으로 효과 추정치와 표준 오류를 계산하십시오.1. 포함하려는 공변량 집합을 결정하십시오.
이것은 당신의 PSA 에 중요한 단계입니다. 우리는 이러한 공변량을 사용하여 노출 확률을 예측합니다. 우리는 노출의 모든 예측 변수와 노출의 영향을 포함하지 않기를 원합니다. 우리는 우리의 공변량을 결정할 때 결과를 고려하지 않습니다. 우리는 confounders 와 상호 작용 변수를 포함 할 수 있습니다. 우리가 공변량에 의심이가는 경우,우리는 공변량 집합에 포함시킵니다(노출의 효과라고 생각하지 않는 한).2. 로지스틱 회귀를 사용하여 각 주제에 대한 PS 를 구하십시오.
우리는 공변량을 사용하여 노출 될 확률을 예측합니다(이는 PS 입니다). 우리가 사용하는 진정한 공변량이 많을수록 노출 될 확률에 대한 우리의 예측이 더 좋아집니다. 우리는 노출되고 표현되지 않은 모든 주제에 대해 PS 를 계산합니다.

번호를 사용하고 그리스어 문자

eng(PS/(1-PS))=β0+ß1X1+…+ßpXp
PS=(exp(β0+ß1X1+…+ßpXp))/(1+exp(β0+ß1X1+…+ßpXp))

3. PS 에 노출 및 노출되지 않은 과목을 일치시킵니다.
우리는 노출 된 피험자와 노출되지 않은 피험자를 노출 될 확률(그들의 PS)에 일치시키고 자합니다. 우리가 적절한 일치를 찾을 수 없다면,그 주제는 버려집니다. 주제를 버리면 우리의 분석에 편견을 도입 할 수 있습니다.

일치하는 몇 가지 방법이 있습니다. 가장 흔한 것은 캘리퍼스 내에서 가장 가까운 이웃입니다. 가장 가까운 이웃은 노출 된 피사체에 대해 PS 에 가장 가까운 PS 를 가진 노출되지 않은 피사체가 될 것입니다.정확한 일치를 찾지 못할 수도 있으므로 특정 캘리퍼스 범위 내에서 PS 점수를 받아 들일 것이라고 말합니다. 우리는 캘리퍼스에 대한 apriori 값을 설정합니다. 이 값은 일반적으로+/-0.01 에서+/-0.05 까지입니다. 0 이하.01 를 얻을 수 있습니다 우리는 많은 변화에서의 추정기 때문에 우리는 어려움이 있을 찾는 일이 우리를 이끌고 버릴 사람들과목(일치하는 불완전한). 만약 우리가 과거 0.05,될 수 있습니다 우리는 더 적은 자신감하는 우리의 노출 및 노출되지 않은 진정으로 교환 가능(용 매칭). 일반적으로 0.01 은 컷오프에 대해 선택됩니다.

노출되지 않은 피험자에 노출 된 비율은 가변적입니다. 1:1 매칭이 이루어질 수 있으나,보다 나은 매치를 허용하기 위해 대체와의 매칭이 대신 이루어지는 경우가 많다. 와 일치 교체할 수 있습에 대한 노출되지 않은 주제는 일치되었으로 노출된 피사체를 반환할 수영장에의 노출되지 않은 과목에 대한 사용할 수 있습니다.

교체와의 일치와없는(1:1)사이의 바이어스와 정밀도의 트레이드 오프가 있습니다. 교체와 일치하면 피험자 간의 더 나은 일치로 인해 바이어스가 감소 할 수 있습니다. 대체하지 않고 일치하면 더 많은 피사체가 사용되기 때문에 정밀도가 더 좋습니다.4. PS 에서 일치 한 후 노출 된 그룹과 노출되지 않은 그룹의 공변량의 균형을 확인하십시오.
상당한 중복을에서는 공변량 사이의 노출 및 노출되지 않는 그룹이 존재해야 합니다 우리에게 인과 추론에서 데이터입니다. 이것은 모든 모델에서 사실이지만 PSA 에서는 시각적으로 매우 분명 해집니다. 이 없는 경우에 겹치는 공변량다면(예를 들어 우리는 겹치는 경향이 점수),다음은 모든 추론이 만든 것이 떨어져 지원하는 데이터의(그리고,결론은 모델에 따라 다름).공변량의 균형을 평가하기 위해 몇 가지 도구를 사용할 수 있습니다. 첫째,노출 된 그룹과 노출되지 않은 그룹에 대한 PS 의 히스토그램을 만들 수 있습니다. 둘째,표준화 된 차이를 평가할 수 있습니다. 셋째,바이어스 감소를 평가할 수 있습니다.

표준화 된 차이=(100*(mean(x exposed)-(mean(x exposed)))/(sqrt((SD^2exposed+SD^2UNEXPOSED)/2))

10%이상의 차이는 나쁜 것으로 간주됩니다. 우리의 공변량 분산되 너무 다르게 사 노출 및 노출되지 않은 그룹은 우리를 편안하게 느끼고 가정하고 교체 사이의 그룹입니다.
바이어스 감축=1-(|표준 차이를 일치|/|표준 차이를 타의 추종을 불허|)
we would like to see 우리가 보고 싶은 상당한 감소에서 바이어스에서 타의 추종을 불허하는 일치하는 분석합니다. 실질적인 의미는 당신에게 달려 있습니다.
5. 이 일치하는 모집단으로 효과 추정치와 표준 오류를 계산하십시오.
예상의 평균 대한 치료의 효과를 대우(ATT)=sum y(노출 y 노출되지 않)/#의 쌍
표준 오류를 산출할 수 있는 부트 스트랩을 사용하여 샘플링 방법이 있습니다.
결과 일치 쌍은 표준 통계 방법(예:Kaplan-Meier,Cox 비례 위험 모델)을 사용하여 분석 할 수도 있습니다. 연속 측정으로 최종 분석 모델에 PS 를 포함 시키거나 사 분위수를 만들고 계층화 할 수 있습니다.

PSA
PSA 에 대한 몇 가지 더 많은 메모를 이분법 또는 연속 노출에 사용할 수 있습니다.
PSA 는 측정 된 공변량 만 해결할 수 있기 때문에 완전한 구현에는 방해받지 않는 공변량을 평가하기위한 민감도 분석이 포함되어야합니다.
PSA 는 SAS,R 및 Stata 에서 사용할 수 있습니다. 이들은 다운로드가 가능한 추가 기능입니다.
PSA 는 전통적으로 역학 및 생물 의학에 사용되어 왔지만 교육 테스트(Rubin 은 설립자 중 한 명)와 생태학(EPA 는 PSA 에 웹 사이트가 있습니다!).

Psa 의 강점과 한계

강점
은 PSA 계산에 상호 작용 항을 포함 할 수 있습니다.
PSA 는 효과를 추정하는 데 여러 공변량 대신 하나의 점수를 사용합니다. 이를 통해 조사를 사용하여 수십의 공변량하지 않은,일반적으로 가능한에서는 전통적인 멀티 모델 때문에 제한된 자유도 및 제로 수 세포에서 발생하는 stratifications 의 여러 공변량.
은 이분법 및 연속 변수에 사용될 수 있습니다(연속 변수에는 지속적인 연구가 많이 있습니다).
이 연구에 포함 된 환자는 RCT 가 제공하는 것보다”실제 세계”환자의 대표적인 표본 일 수 있습니다.
PS 를 계산할 때 결과에 대한 정보를 사용하지 않으므로 PS 를 기반으로 한 분석은 효과 추정을 바이어스 할 것입니다.
우리는 오프 지원 추론을 피합니다.
우리는 p-값과 다른 모델 별 가정에 덜 의존합니다.
우리는 교환 가능성을 창출하기 위해 결과의 원인을 알 필요가 없습니다.

제한
가장 심각한 한계는 PSA 가 측정 된 공변량에 대해서만 제어한다는 것입니다.
그룹 겹침은(적절한 일치를 가능하게하기 위해)실질적이어야합니다.
관찰 된 공변량에서의 일치는 방해받지 않는 공변량에서 백도어 경로를 열어 숨겨진 편향을 악화시킬 수 있습니다.
공변량의 좋은 균형을 얻기 위해 PSA 가 큰 샘플에서 가장 잘 작동합니다.
누락 된 데이터가있는 경우 누락 된 PS 를 얻습니다.
은 클러스터링을 고려하지 않습니다(이웃 수준의 연구에 문제가 있음).

독서

교과서&장

Oakes JM 및 Johnson PJ. 2006. 사회 역학에서의 방법에서 사회 역학에 대한 성향 점수 일치(eds. JM Oakes 및 JS Kaufman),Jossey-Bass,San Francisco,CA.
사회 역학에서 근무 예와 PSA 에 간단하고 명확한 소개.

히라노 K 및 Imbens GW. 2005. 성향으로 점수를 지속적인 치료에 적용되는 베이지안의 모델링 및 인과 추론에서 불완전한 데이터 관점에 필수적인 여행으로는 도널드 루빈의 통계적 가족(eds. Gelman 및 XL Meng),John Wiley&Sons,Ltd,Chichester,UK.
지속적인 치료를 위해 PSA 사용에 대한 논의.

방법론 기사

Rosenbaum PR 및 Rubin DB. 1983. 인과 관계에 대한 관찰 연구에서 성향 점수의 중심 역할. 바이오 메 트리 카,70(1);41-55.
PSA 에 Germinal 기사.

Rosenbaum PR 및 Rubin DB. 1985. 불완전한 일치로 인한 바이어스. 바이오 메 트리 카,41(1);103-116.
PSA 에서 피험자의 불완전한 일치로 인한 편향에 대한 논의.

D’Agostino RB. 1998. 비 무작위 대조군에 대한 치료의 비교에서 바이어스 감소에 대한 성향 점수 방법. Statist Med,17;2265-2281.
작업 예제와 PSA 의 추가 토론. 표준화 된 차이 및 바이어스 감소의 계산을 포함합니다.

Joffe MM 및 Rosenbaum PR. 1999. 초청 해설:성향 점수. Am J Epidemiol,150(4);327-333.
PSA 의 용도와 한계에 대한 논의. 또한 사례-코호트 연구에서 PSA 에 대한 논의가 포함됩니다.

응용 프로그램 기사

쿠마 S 및 볼머 S.2012. 개선 된 위생에 대한 접근은 인도 농촌의 설사를 감소 시키는가. 건강 Econ. DOI:10.1002/hec.2809
인도 농촌 지역의 어린이 위생 및 설사에 PSA 를 적용합니다. PSA 가 논문에서 어떻게 진행되었는지에 대한 많은 설명. 좋은 예입니다.

Suh HS,Hay JW,Johnson KA 및 Doctor,JN. 2012. 비교효과의 스타틴 플러스 fibrate 조합 치료 및 스타틴 monotherapy 에서는 2 형 당뇨병 환자의 사용은 사용자 성향수 및 수단변수 방법을 조정하기 위해 치료 선택에 편견입니다.약물 투여 및 약물 안전성. DOI:10.1002/pds.3261
은 제 2 형 당뇨병 치료제에 PSA 를 적용합니다. 또한 psa 와 도구 변수를 비교합니다.루빈 DB. 2001. 관측 연구를 설계하는 데 도움이되는 성향 점수 사용:담배 소송에 대한 적용. 건강 서비스 결과 Res 방법,2; 169-188.
PSA 의 발신자 중 하나에 의한 PSA 의 고급 응용 프로그램.

Landrum MB 및 Ayanian JZ. 2001. 인과 효과의 외래강 전문가 사망에 다음과 심근경색:의 비교 성향 socre 과 악기 변수 분석. 건강 서비스 결과 Res 방법,2;221-245.
MI 후 사망률에 적용되는 PSA 의 좋은 명확한 예. IV 방법과의 비교.

Bingenheimer JB,Brennan RT 및 Earls FJ. 2005. 총기 폭력 노출 및 심각한 폭력적인 행동. 과학,308;1323-1326.
총기 폭력 노출 및 후속 심각한 폭력 행동에 적용되는 PSA 의 흥미로운 예.

웹사이트

통계 소프트웨어 구현을
소프트웨어 구현에 대한 일치하는 방법과 성향 점수:

SAS 매크로

http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch:컴퓨터의 일치하는 경우를 사용하여 컨트롤 욕심이 일치하는 알고리즘의 고정된 컨트롤다.
vmatch:변수 최적 일치를 사용하여 컨트롤에 대한 사례의 전산화 된 일치.

SAS 문서:

R 프로그램에 대한:

에서 슬라이드 토마스는 사랑 2003ASA 프레젠테이션:

리소스(유인물,주석 참고 문헌)에서 토마스:사랑을

설명과 예부터의 생태 PSA

과

온라인 워크샵에서는 경향이 점수를 매칭을 통해 사용할 수 있는 서사시