Descrição

O PS é uma probabilidade. Na verdade, é uma probabilidade condicional de ser exposto dado um conjunto de covariados, Pr(e+|covariados). Podemos calcular um PS para cada assunto num estudo observacional, independentemente da sua exposição real.uma vez que tenhamos um PS para cada assunto, retornaremos ao mundo real de expostos e não expostos. Podemos combinar sujeitos expostos com sujeitos não expostos com o mesmo (ou muito similar) PS. Assim, a probabilidade de ser exposto é a mesma que a probabilidade de ser exposto. A exposição é ” aleatória.”

Descrição

análise da pontuação de Propensão (PSA) surgiu como uma forma de alcançar a permutabilidade entre grupos expostos e não expostos em estudos observacionais sem depender da construção tradicional de modelos. A permutabilidade é fundamental para a nossa inferência causal.

em estudos experimentais (por exemplo, ensaios de controlo aleatorizados), a probabilidade de exposição é de 0, 5. Assim, a probabilidade de não ser exposta é também 0,5. A probabilidade de ser exposto ou não exposto é a mesma. Portanto, o estado real de exposição de um sujeito é aleatório.esta mesma probabilidade de exposição faz-nos sentir mais confortáveis ao afirmar que os grupos expostos e não expostos são iguais em todos os factores excepto na sua exposição. Portanto, dizemos que temos permutabilidade entre grupos.

Um dos maiores desafios com estudos observacionais é que a probabilidade de estar no grupo exposto ou não exposto não é aleatória.existem várias ocasiões em que um estudo experimental não é viável ou ético. Mas nós ainda gostaríamos que a permutabilidade de grupos conseguida pela aleatorização. O PSA nos ajuda a imitar um estudo experimental usando dados de um estudo observacional.

Conducting PSA

5 Briefly Described Steps to PSA
1. Decida sobre o conjunto de covariações que você deseja incluir.
2. Use regressão logística para obter uma PS para cada assunto.
3. Corresponder a sujeitos expostos e não expostos no PS.
4. Verifique o saldo das covariações nos grupos expostos e não expostos após a correspondência em PS.
5. Calcule a estimativa do efeito e os erros padrão com esta população de correspondência.1. Decida sobre o conjunto de covariações que você deseja incluir.este é o passo crítico para o seu PSA. Usamos estas covariações para prever a nossa probabilidade de exposição. Queremos incluir todos os indicadores da exposição e nenhum dos efeitos da exposição. Não consideramos o resultado ao decidir sobre as nossas covariantes. Podemos incluir confluentes e variáveis de interação. Se estamos em dúvida sobre o covariato, incluímo-lo em nosso conjunto de covariados (a menos que pensemos que é um efeito da exposição).2. Use regressão logística para obter uma PS para cada assunto.
Nós usamos as covariadas para prever a probabilidade de ser exposto (que é o PS). Quanto mais verdadeiras covariações usarmos, melhor será a nossa previsão da probabilidade de sermos expostos. Calculamos um PS para todos os sujeitos, expostos e não expostos.

Usando números e letras gregas:
ln(PS/(1-PS))= β0+ß1X1+…+ßpXp
PS= (exp(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Corresponder a sujeitos expostos e não expostos no PS.queremos igualar os sujeitos expostos e não expostos na sua probabilidade de serem expostos (a sua PS). Se não encontrarmos uma correspondência adequada, então esse sujeito é descartado. Descartar um assunto pode introduzir viés na nossa análise.existem vários métodos de correspondência. O mais comum é o vizinho mais próximo dentro de calipers. O vizinho mais próximo seria o sujeito não exposto que tem um PS mais próximo do PS para o nosso sujeito exposto.

Podemos não ser capazes de encontrar uma correspondência exata, então dizemos que vamos aceitar uma pontuação PS dentro de certos limites de paquímetro. Definimos um valor apriori para os calipers. Este valor varia tipicamente de +/-0,01 a + / -0,05. Abaixo de 0.01, podemos obter muita variabilidade dentro da estimativa porque temos dificuldade em encontrar fósforos e isso nos leva a descartar esses assuntos (correspondência incompleta). Se ultrapassarmos 0,05, podemos estar menos confiantes de que os nossos expostos e não expostos são verdadeiramente permutáveis (correspondência inexacta). Tipicamente, 0,01 é escolhido para um corte.

A razão de exposição a indivíduos não expostos é variável. 1: 1 a correspondência pode ser feita, mas muitas vezes a correspondência com a substituição é feita em vez disso para permitir melhores partidas. A correspondência com a substituição permite que o sujeito não exposto que foi correspondido com um sujeito exposto seja devolvido ao conjunto de indivíduos não expostos disponíveis para correspondência.

Há um trade-off em viés e precisão entre a correspondência com a substituição e sem (1:1). A correspondência com a substituição permite uma viés reduzida devido a uma melhor correspondência entre os indivíduos. Combinar sem substituição tem melhor precisão porque mais sujeitos são usados.4. Verifique o saldo das covariações nos grupos expostos e não expostos após a correspondência em PS.sobreposição substancial em covariações entre os grupos expostos e não expostos deve existir para que possamos fazer inferências causais a partir de nossos dados. Isto é verdade em todos os modelos, mas no PSA, torna-se visualmente muito aparente. Se não houver sobreposição nas covariadas (ou seja, se não houver sobreposição das Pontuações de propensão), então todas as inferências seriam feitas fora do suporte dos dados (e, portanto, as conclusões seriam dependentes do modelo).

Podemos usar um par de ferramentas para avaliar o nosso equilíbrio de covariados. Primeiro, podemos criar um histograma do PS para grupos expostos e não expostos. Em segundo lugar, podemos avaliar a diferença padronizada. Terceiro, podemos avaliar a redução de viés.

Padronizado diferença=(100*(mean(x exposto)-(mean(x não expostos)))/(sqrt((SD^2exposed+ SD^2unexposed)/2))

Mais de 10% de diferença é considerado ruim. As nossas covariações são distribuídas de forma muito diferente entre grupos expostos e não expostos para nos sentirmos confortáveis assumindo a permutabilidade entre grupos.
o Viés de redução= 1-(|padronizado diferença de correspondência de|/|padronizado diferença incomparável|)
gostaria de ver substancial redução no viés da incomparável para a análise de correspondência. O que significa substancial depende de ti.
5. Calcule a estimativa do efeito e os erros padrão com esta população correspondente.
Estimate of average treatment effect of the treated(ATT)=sum (y exposed – y unexposed)/# of matched pairs
Standard errors may be calculated using bootstrap resampling methods.os pares correspondentes resultantes também podem ser analisados usando métodos estatísticos padrão, por exemplo Modelos de risco proporcional de Kaplan-Meier e Cox. Você pode incluir PS no modelo de análise final como uma medida contínua ou criar quartis e stratify.mais algumas notas sobre PSA podem ser usadas para exposições dicotômicas ou contínuas.uma vez que PSA só pode abordar covariados medidos, a implementação completa deve incluir análise de sensibilidade para avaliar covariados não observados.PSA pode ser usado em SAS, R, e Stata. Estes são add-ons que estão disponíveis para download.embora o PSA tenha sido tradicionalmente usado em Epidemiologia e biomedicina, também tem sido usado em testes educacionais (Rubin é um dos fundadores) e ecologia (EPA tem um site no PSA!).

dosagens e limitações do PSA

dosagens
pode incluir termos de interacção no cálculo do PSA.PSA usa uma pontuação em vez de múltiplas covariadas na estimativa do efeito. Isso permite que um investigador use dezenas de covariados, o que geralmente não é possível em modelos multivariáveis tradicionais por causa de graus limitados de liberdade e células de contagem zero decorrentes de estratificações de covariados múltiplos.
Can be used for dichotomous and continuous variables (continuous variables has lots of ongoing research).os doentes incluídos neste estudo podem ser uma amostra mais representativa de doentes do” mundo real ” do que um RCT proporcionaria.uma vez que não usamos qualquer informação sobre o resultado ao calcular a PS, nenhuma análise baseada na estimativa do efeito de viés da PS.evitamos inferência fora do suporte.
dependemos menos de valores p e outros pressupostos específicos do modelo.não precisamos conhecer as causas do resultado para criar permutabilidade.

Limitations
The most serious limitation is that PSA only controls for measured covariates.
sobreposição de grupo deve ser substancial (para permitir a correspondência apropriada).a correspondência entre covariados observados pode abrir caminhos de backdoor em covariados não observados e exacerbar o viés oculto.PSA funciona melhor em grandes amostras para obter um bom equilíbrio de covariados.se temos dados em falta, temos um PS em falta.
não leva em conta clustering (problemático para pesquisa de nível de bairro).

Leituras

Livros & Capítulos

Oakes JM e Johnson PJ. 2006. Propensity score matching for social epidemiology in Methods in Social Epidemiology (eds. JM Oakes and JS Kaufman), Jossey-Bass, San Francisco, CA.
Simple and clear introduction to PSA with worked example from social epidemiology.Hirano K e 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 (eds. A Gelman and XL Meng), John Wiley & Sons, Ltd, Chichester, UK.discussão sobre o uso de PSA para tratamentos contínuos.artigos metodológicos Rosenbaum PR e Rubin DB. 1983. The central role of the propensity score in observational studies for causal effects. Biometrika, 70 (1); 41-55.
Germinal article on PSA.Rosenbaum PR e Rubin DB. 1985. O preconceito devido a correspondência incompleta. Biometrika, 41 (1); 103-116.
Discussion of the bias due to incomplete matching of subjects in PSA.

D ‘ Agostino RB. 1998. Propensity score methods for bias reduction in the comparison of a treatment to a non-randomized control group. Statist Med, 17; 2265-2281.
a further discussion of PSA with worked examples. Inclui cálculos de diferenças padronizadas e redução de viés.Joffe MM and Rosenbaum PR. 1999. Comentário convidado: pontuações de Propensão. Am J Epidemiol, 150( 4); 327-333.
Discussion of the uses and limitations of PSA. Inclui também a discussão do PSA em estudos de caso-coorte.artigos de Aplicação Kumar S e Vollmer s. 2012. O acesso a saneamento melhorado reduz a diarréia na Índia rural. Saúde. DOI: 10.1002 / hec.2809 aplica PSA para saneamento e diarréia em crianças na Índia rural. Muitas explicações sobre como o PSA foi conduzido no jornal. Exemplo.Suh HS, Hay JW, Johnson KA, And Doctor, JN. 2012. Eficácia comparativa da terapêutica combinada de estatina e fibrato e da monoterapia de estatina em doentes com diabetes tipo 2: utilização da pontuação de propensão e de métodos variáveis instrumentais para o ajuste do viés de selecção do tratamento.Farmacoepidemiol e segurança dos medicamentos. DOI: 10.1002/pds.3261
aplica aps a terapias para diabetes tipo 2. Também compara PSA com variáveis instrumentais.

Rubin DB. 2001. Usando pontuações de propensão para ajudar a desenhar estudos observacionais: aplicação ao litígio do tabaco. Serviço De Saúde Método Res, 2; 169-188.aplicação mais avançada do PSA por um dos originadores do PSA.Landrum MB e Ayanian JZ. 2001. O efeito Causal dos cuidados ambulatórios especiais sobre a mortalidade na sequência de enfarte do miocárdio: uma comparação da propensão socre e análise variável instrumental. Health Serv Outcomes Res Method, 2; 221-245.um bom exemplo claro de PSA aplicado à mortalidade após o em. Comparação com os métodos IV.Bingenheimer JB, Brennan RT Earls FJ. 2005. Exposição à violência com armas de fogo e comportamento violento grave. Science, 308; 1323-1326.exemplo interessante de PSA aplicado à exposição à violência com armas de fogo e subsequente comportamento violento grave.

sites

Statistical Software Implementation
Software for implementing matching methods and propensity scores:

For SAS macro:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: Computerized matching of cases to controls using the greedy matching algorithm with a fixed number of controls per case.
vmatch: correspondência computadorizada de casos com controles usando a correspondência variável ideal.documentação do SAS:

para o programa R:

Slides de Thomas Love 2003 ASA apresentação:

Recursos (folhetos, bibliografia anotada) de Thomas Love:

Explicação e exemplo de ecologia do PSA:

Cursos

on-line de Um workshop no Escore de Propensão Matching está disponível através do ÉPICO