Programvare

kurs

oversikt

ps er en en sannsynlighet. Faktisk er det en betinget sannsynlighet for å bli utsatt gitt et sett med kovariater, Pr (E+|kovariater). VI kan beregne EN PS for hvert fag i en observasjonsstudie uavhengig av hennes faktiske eksponering.

når VI har EN PS for hvert emne, går vi tilbake til den virkelige verden av eksponert og ueksponert. Vi kan matche eksponerte fag med ueksponerte fag med samme (eller svært like) PS. Dermed er sannsynligheten for å bli utsatt den samme som sannsynligheten for å bli ueksponert. Eksponeringen er » tilfeldig.»

Beskrivelse

Propensity score analysis (PSA) oppsto som en måte å oppnå utveksling mellom eksponerte og ueksponerte grupper i observasjonsstudier uten å stole på tradisjonell modellbygging. Exchangeability er avgjørende for vår årsakssammenheng.

i eksperimentelle studier (f. eks. randomiserte kontrollforsøk) er sannsynligheten for å bli eksponert 0,5. Dermed er sannsynligheten for å være ueksponert også 0,5. Sannsynligheten for å bli utsatt eller ueksponert er den samme. Derfor er et motivs faktiske eksponeringsstatus tilfeldig.denne like sannsynligheten for eksponering gjør at vi føler oss mer komfortable og hevder at de eksponerte og ueksponerte gruppene er like på alle faktorer unntatt deres eksponering. Derfor sier vi at vi har utvekslingsevne mellom grupper.en av de største utfordringene med observasjonsstudier er at sannsynligheten for å være i den eksponerte eller ueksponerte gruppen ikke er tilfeldig.

det er flere anledninger hvor en eksperimentell studie ikke er gjennomførbar eller etisk. Men vi ønsker fortsatt utveksling av grupper oppnådd ved randomisering. PSA hjelper oss å etterligne en eksperimentell studie ved hjelp av data fra en observasjonsstudie.

Gjennomføre PSA

5 Kort Beskrevet Trinn TIL PSA
1. Bestem på settet av kovariater du vil inkludere.
2. Bruk logistisk regresjon for å få EN PS for hvert emne.
3. Match eksponerte og ueksponerte emner på PS.
4. Kontroller balansen mellom kovariater i de eksponerte og ueksponerte gruppene etter matching på PS.
5. Beregn effektestimat og standardfeil med denne matchpopulasjonen.

1. Bestem på settet av kovariater du vil inkludere.
Dette er det kritiske trinnet TIL PSA. Vi bruker disse kovariatene til å forutsi sannsynligheten for eksponering. Vi ønsker å inkludere alle prediktorer for eksponeringen og ingen av effektene av eksponeringen. Vi vurderer ikke utfallet ved å avgjøre våre kovariater. Vi kan inkludere confounders og interaksjonsvariabler. Hvis vi er i tvil om kovariatet, inkluderer vi det i vårt sett med kovariater (med mindre vi tror at det er en effekt av eksponeringen).

2. Bruk logistisk regresjon for å få EN PS for hvert emne.
Vi bruker kovariatene til å forutsi sannsynligheten for å bli utsatt (SOM ER PS). Jo mer sanne kovariater vi bruker, desto bedre er vår prediksjon av sannsynligheten for å bli utsatt. Vi beregner EN PS for alle fag, eksponert og ueksponert.

ved Hjelp av tall og greske bokstaver:
ln(PS/(1-PS))= β0+ß1X1+…+ßpXp
PS= (exp(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Match eksponerte og ueksponerte emner på PS.
Vi ønsker å matche de eksponerte og ueksponerte fagene på deres sannsynlighet for å bli utsatt (DERES PS). Hvis vi ikke kan finne en passende match, blir det emnet kassert. Å forkaste et emne kan introdusere bias i vår analyse.

Det Finnes flere metoder for samsvar. Mest vanlig er nærmeste nabo innen calipers. Den nærmeste naboen ville være det ueksponerte emnet som har EN PS nærmest PS for vårt eksponerte emne.

Vi kan kanskje ikke finne en eksakt match, så vi sier at VI vil akseptere EN PS-score innenfor visse kalipergrenser. Vi setter en apriori-verdi for kaliprene. Denne verdien varierer vanligvis fra + / -0,01 til + / -0,05. Under 0.01, vi kan få mye variasjon i estimatet fordi vi har problemer med å finne kamper, og dette fører oss til å forkaste disse fagene (ufullstendig matching). Hvis vi går forbi 0,05, kan vi være mindre sikre på at våre eksponerte og ueksponerte virkelig kan byttes ut (inexact matching). Vanligvis er 0,01 valgt for en cutoff.

forholdet mellom eksponerte for ueksponerte personer er variabelt. 1: 1 matching kan gjøres, men ofte matching med erstatning er gjort i stedet for å tillate bedre kamper. Matching med erstatning gjør det mulig for ueksponert emne som har blitt matchet med en eksponert gjenstand for å bli returnert til pool av ueksponerte fag tilgjengelig for matching.

det er en avveining i bias og presisjon mellom matching med erstatning og uten (1:1). Matching med erstatning gir redusert bias på grunn av bedre matching mellom fag. Matchende uten erstatning har bedre presisjon fordi flere fag brukes.

4. Kontroller balansen mellom kovariater i de eksponerte og ueksponerte gruppene etter matching på PS.Betydelig overlapping i kovariater mellom de eksponerte og ueksponerte gruppene må eksistere for at vi skal kunne gjøre årsakssammenheng fra våre data. Dette gjelder i alle modeller, men I PSA blir det visuelt veldig tydelig. Hvis det ikke er noen overlapping i kovariater( dvs. hvis vi ikke har noen overlapping av tilbøyelighetsresultater), vil alle slutninger bli gjort utenfor støtte av dataene (og dermed konklusjoner vil være modellavhengige).

Vi kan bruke et par verktøy for å vurdere vår balanse av kovariater. Først kan vi lage et histogram AV PS for eksponerte og ueksponerte grupper. For det andre kan vi vurdere den standardiserte forskjellen. For det tredje kan vi vurdere bias reduksjon.Standardisert forskjell=(100 * (gjennomsnitt (x eksponert)-(gjennomsnitt (x ueksponert)))/(sqrt ((SD^2EKSPONERT+ SD^2UEKSPONERT)/2))

mer enn 10% forskjell anses som dårlig. Våre kovariater er fordelt for forskjellig mellom eksponerte og ueksponerte grupper for at vi skal føle oss komfortable med å anta utvekslingsevne mellom grupper.
Bias reduksjon= 1 – (|standardisert forskjell matchet/||standardisert forskjell uovertruffen/)
vi ønsker å se betydelig reduksjon i bias fra uovertruffen til matchet analyse. Hva betydelige midler er opp til deg.
5. Beregn effektestimat og standardfeil med denne samsvarende populasjonen.
Estimat av gjennomsnittlig behandlingseffekt av behandlet (att)=sum (y exposed-y unexposed) / # av matchede par
Standardfeil kan beregnes ved hjelp av bootstrap resampling metoder.
de resulterende matchet parene kan også analyseres ved hjelp av standard statistiske metoder, f. Eks Kaplan-Meier, cox proporsjonal farer modeller. DU kan inkludere PS i sluttanalysemodellen som et kontinuerlig mål eller opprette kvartiler og stratifisere.

NOEN flere notater PÅ PSA
PSA kan brukes til dikotom eller kontinuerlig eksponering.FORDI PSA bare kan adressere målte kovariater, bør fullstendig implementering inkludere sensitivitetsanalyse for å vurdere uobserverte kovariater.PSA KAN brukes I SAS, R Og Stata. Dette er tillegg som er tilgjengelige for nedlasting.SELV OM PSA tradisjonelt har blitt brukt i epidemiologi og biomedisin, har DEN også blitt brukt i pedagogisk testing (Rubin er en av grunnleggerne) og økologi (EPA har et nettsted PÅ PSA!).

Styrker og Begrensninger AV PSA

Styrker
kan inkludere interaksjonsbetingelser ved beregning AV PSA.PSA bruker en score i stedet for flere kovariater for å estimere effekten. Dette gjør det mulig for en etterforsker å bruke dusinvis av kovariater, som vanligvis ikke er mulig i tradisjonelle multivariable modeller på grunn av begrensede frihetsgrader og nulltellingsceller som oppstår fra stratifikasjoner av flere kovariater.
Kan brukes til dikotom og kontinuerlige variabler (kontinuerlige variabler har mye pågående forskning).Pasienter inkludert i denne studien kan være et mer representativt utvalg av» virkelige » pasienter enn EN RCT ville gi.Siden vi ikke bruker noen informasjon om utfallet ved beregning AV PS, vil ingen analyse basert på PS estimere bias effekt.
vi unngår off-support slutning.Vi stoler mindre på p-verdier og andre modellspesifikke forutsetninger.
Vi trenger ikke å vite årsakene til utfallet for å skape exchangeability.

Begrensninger
DEN alvorligste begrensningen er AT PSA kun kontrollerer målte kovariater.
Gruppe overlapping må være betydelig(for å muliggjøre passende samsvar).Matchende på observerte kovariater kan åpne bakdørbaner i uobserverte kovariater og forverre skjult bias.PSA fungerer best i store prøver for å oppnå en god balanse mellom kovariater.
hvis vi mangler data, får VI en manglende PS.
tar ikke hensyn clustering(problematisk for nabolaget nivå forskning).

Avlesninger

Lærebøker& Kapitler

Oakes JM Og Johnson PJ. 2006. Tilbøyelighet score matching for sosial epidemiologi I Metoder I Sosial Epidemiologi (eds. Jm Oakes Og Js Kaufman), Jossey-Bass, San Francisco, CA.
Enkel og klar introduksjon TIL PSA med arbeidet eksempel fra sosial epidemiologi.

Hirano K og Imbens GW. 2005. The propensity score med kontinuerlige behandlinger I Anvendt Bayesiansk Modellering og Årsakssammenheng fra Ufullstendige Dataperspektiver: En Viktig Reise med Donald Rubins Statistiske Familie (eds. En Gelman OG XL Meng), John Wiley & Sønner, Ltd, Chichester, STORBRITANNIA.
Diskusjon om BRUK AV PSA for kontinuerlig behandling.

Metodiske Artikler

Rosenbaum PR Og Rubin DB. 1983. Den sentrale rollen til tilbøyelighet score i observasjonsstudier for kausale effekter. Biometrika, 70 (1); 41-55.
Germinal artikkel OM PSA.Rosenbaum PR OG Rubin DB. 1985. Bias på grunn av ufullstendig matching. Biometrika, 41 (1); 103-116.
Diskusjon av bias på grunn av ufullstendig matching av fag I PSA.

D ‘ Agostino RB. 1998. Tilbøyelighet score metoder for skjevhet reduksjon i sammenligning av en behandling til en ikke-randomisert kontrollgruppe. Statist Med, 17; 2265-2281.
En videre diskusjon AV PSA med arbeidet eksempler. Inkluderer beregninger av standardiserte forskjeller og bias reduksjon.

Joffe MM Og Rosenbaum PR. 1999. Invitert kommentar: Tilbøyelighet score. Am J Epidemiol,150 (4); 327-333.
Diskusjon av bruk OG begrensninger AV PSA. Inkluderer også diskusjon AV PSA i case-kohortstudier.

Søknad Artikler

Kumar s Og Vollmer S. 2012. Har tilgang til forbedret sanitet redusert diare i landlige India. Helse Econ. DOI: 10.1002 / hec.2809
Gjelder PSA til sanitær og diare hos barn i landlige India. Mye forklaring pa hvordan PSA ble utfort i papiret. Godt eksempel.

Suh HS, Hay JW, Johnson KA, Og Doktor, JN. 2012. Komparativ effekt av statin pluss fibrat kombinasjonsbehandling og statin monoterapi hos pasienter med type 2 diabetes: bruk av tilbøyelighet-score og instrumentelle variable metoder for å justere for behandling-seleksjonsbias.Farmakoepidemiol Og Narkotikasikkerhet. DOI: 10.1002 / pds.3261
Gjelder PSA til behandling for type 2 diabetes. SAMMENLIGNER OGSÅ PSA med instrumentelle variabler.

Rubin DB. 2001. Bruke tilbøyelighet score for å hjelpe design observasjonsstudier: Søknad til tobakk rettssaker. Helse Serv Utfall Res Metode, 2; 169-188.
Mer avansert BRUK AV PSA av EN AV PSAS opphavsmenn.

Landrum MB Og Ayanian JZ. 2001. Kausal effekt av ambulatorisk spesialbehandling på dødelighet etter hjerteinfarkt: en sammenligning av tilbøyelighet socre og instrumental variabel analyse. Helse Serv Utfall Res Metode, 2; 221-245.
et godt klart eksempel PÅ PSA anvendt på dødelighet ETTER MI. Sammenligning MED IV-metoder.I Tillegg til Dette er Det Også Mulig å få et nytt navn. 2005. Skytevåpen vold eksponering og alvorlig voldelig atferd. Vitenskap, 308; 1323-1326.
Interessant eksempel PÅ PSA anvendt på skytevåpen vold eksponering og påfølgende alvorlig voldelig atferd.

Nettsteder

Statistisk Programvareimplementering
Programvare for implementering av matchende metoder og tilbøyelighet score:

FOR SAS macro:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: Datastyrt matching av saker til kontroller ved hjelp av grådige matchende algoritme med et fast antall kontroller per sak.Vmatch: Datastyrt matching av saker til kontroller ved hjelp av variabel optimal matching.

SAS dokumentasjon:

for R program:

Lysbilder Fra Thomas Love 2003 ASA presentasjon:

Ressurser (brosjyrer, annotert bibliografi) Fra Thomas Love:

Forklaring Og eksempel fra økologi AV PSA:

Kurs

EN online workshop Om Tilbøyelighet Score Matching er tilgjengelig gjennom EPIC