prezentare generală

PS este o probabilitate. De fapt, este o probabilitate condiționată de a fi expus dat fiind un set de covariabile, Pr(e+|covariabile). Putem calcula un PS pentru fiecare subiect într-un studiu observațional, indiferent de expunerea sa reală.

odată ce avem un PS pentru fiecare subiect, ne întoarcem apoi la lumea reală expusă și neexpusă. Putem potrivi subiecții expuși cu subiecți neexpuși cu același PS (sau foarte similar). Astfel, probabilitatea de a fi expus este aceeași cu probabilitatea de a fi neexpus. Expunerea este ” aleatorie.”

descriere

analiza Scorului de înclinație (PSA) a apărut ca o modalitate de a realiza schimbabilitatea între grupurile expuse și neexpuse în studiile observaționale fără a se baza pe construirea modelului tradițional. Schimbabilitatea este esențială pentru inferența noastră cauzală.

în studiile experimentale (de exemplu, studii de control randomizate), probabilitatea de a fi expus este de 0,5. Astfel, probabilitatea de a fi neexpusă este de asemenea 0,5. Probabilitatea de a fi expus sau neexpus este aceeași. Prin urmare, starea reală de expunere a unui subiect este aleatorie.

această probabilitate egală de expunere ne face să ne simțim mai confortabil afirmând că grupurile expuse și neexpuse sunt la fel pe toți factorii, cu excepția expunerii lor. Prin urmare, spunem că avem schimbabilitate între grupuri.una dintre cele mai mari provocări cu studiile observaționale este că probabilitatea de a fi în grupul expus sau neexpus nu este aleatorie.

există mai multe ocazii în care un studiu experimental nu este fezabil sau etic. Dar ne-am dori totuși schimbul de grupuri realizat prin randomizare. PSA ne ajută să imităm un studiu experimental folosind date dintr-un studiu observațional.

efectuarea PSA

5 descris pe scurt pași pentru a PSA
1. Decideți setul de covariabile pe care doriți să le includeți.
2. Utilizați regresia logistică pentru a obține un PS pentru fiecare subiect.
3. Potriviți subiecții expuși și neexpuși pe PS.
4. Verificați soldul covariatelor din grupurile expuse și neexpuse după potrivirea pe PS.
5. Calculați estimarea efectului și erorile standard cu această populație de potrivire.

1. Decideți setul de covariabile pe care doriți să le includeți.
acesta este pasul critic pentru PSA. Folosim aceste covariabile pentru a prezice probabilitatea noastră de expunere. Vrem să includem toți predictorii expunerii și niciunul dintre efectele expunerii. Nu luăm în considerare rezultatul atunci când decidem asupra covariatelor noastre. Putem include confounders și variabile de interacțiune. Dacă ne îndoim de covariat, îl includem în setul nostru de covariate (cu excepția cazului în care credem că este un efect al expunerii).

2. Utilizați regresia logistică pentru a obține un PS pentru fiecare subiect.
folosim covariatele pentru a prezice probabilitatea de a fi expus (care este PS). Cu cât folosim covariatele mai adevărate, cu atât predicția noastră despre probabilitatea de a fi expuși este mai bună. Calculăm un PS pentru toți subiecții, expuși și neexpuși.

Folosind numere și litere grecești:
ln(PS/(1-PS))= β0+ß1X1+…+ßpXp
PS= (exp(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Potriviți subiecții expuși și neexpuși pe PS.
vrem să potrivim subiecții expuși și neexpuși cu privire la probabilitatea lor de a fi expuși (PS). Dacă nu putem găsi o potrivire potrivită, atunci subiectul este aruncat. Aruncarea unui subiect poate introduce părtinire în analiza noastră.

există mai multe metode de potrivire. Cel mai frecvent este cel mai apropiat vecin din cadrul etrierilor. Cel mai apropiat vecin ar fi subiectul neexpus care are un PS cel mai apropiat de PS pentru subiectul nostru expus.

este posibil să nu putem găsi o potrivire exactă, așa că spunem că vom accepta un scor PS în anumite limite ale etrierului. Am stabilit o valoare apriori pentru etriere. Această valoare variază de obicei de la +/-0.01 la +/-0.05. Sub 0.01, putem obține o mulțime de variabilitate în cadrul estimării, deoarece avem dificultăți în găsirea potrivirilor și acest lucru ne determină să aruncăm acele subiecte (potrivire incompletă). Dacă trecem de 0,05, s-ar putea să fim mai puțin încrezători că expunerea și neexpusul nostru sunt cu adevărat schimbabile (potrivire inexactă). De obicei, 0,01 este ales pentru o întrerupere.

raportul dintre subiecții expuși și cei neexpuși este variabil. Potrivirea 1: 1 se poate face, dar de multe ori potrivirea cu înlocuirea se face în schimb pentru a permite potriviri mai bune. Potrivirea cu înlocuirea permite ca subiectul neexpus care a fost asortat cu un subiect expus să fie returnat în grupul de subiecți neexpuși disponibili pentru potrivire.

există un compromis în părtinire și precizie între potrivirea cu înlocuirea și fără (1:1). Potrivirea cu înlocuirea permite o părtinire redusă din cauza unei potriviri mai bune între subiecți. Potrivirea fără înlocuire are o precizie mai bună, deoarece sunt utilizate mai multe subiecte.

4. Verificați soldul covariatelor din grupurile expuse și neexpuse după potrivirea pe PS.suprapunerea substanțială în covariabile între grupurile expuse și cele neexpuse trebuie să existe pentru ca noi să facem inferențe cauzale din datele noastre. Acest lucru este valabil în toate modelele, dar în PSA, devine vizual foarte evident. Dacă nu există nicio suprapunere în covariabile (adică dacă nu avem nicio suprapunere a scorurilor de înclinație), atunci toate inferențele ar fi făcute în afara suportului datelor (și astfel, Concluziile ar fi dependente de model).

putem folosi câteva instrumente pentru a evalua echilibrul nostru de covariabile. În primul rând, putem crea o histogramă a PS pentru grupurile expuse și neexpuse. În al doilea rând, putem evalua diferența standardizată. În al treilea rând, putem evalua reducerea părtinire.

diferență standardizată=(100*(medie(x expusă)-(medie(x neexpusă)))/(sqrt((SD^2expusă+ SD^2UNEXPUSĂ)/2))

Mai mult de 10% diferență este considerată rea. Covariatele noastre sunt distribuite prea diferit între grupurile expuse și cele neexpuse pentru a ne simți confortabil presupunând interschimbabilitatea între grupuri.
Bias reduction= 1-(|diferență standardizată potrivită|/|diferență standardizată de neegalat|)
am dori să vedem o reducere substanțială a bias de la analiza de neegalat la analiza potrivită. Ce înseamnă substanțial depinde de tine.
5. Calculați estimarea efectului și erorile standard cu această populație potrivită.
estimarea efectului tratamentului mediu al tratat (ATT)=suma(y expuse – y neexpuse)/# de perechi potrivite
erorile Standard pot fi calculate folosind metode de reeșantionare bootstrap.perechile potrivite rezultate pot fi, de asemenea, analizate folosind metode statistice standard, de exemplu Kaplan-Meier, Cox modele de pericole proporționale. Puteți include PS în modelul de analiză finală ca măsură continuă sau puteți crea quartile și stratifica.

câteva note despre PSA
PSA poate fi utilizat pentru expuneri dihotomice sau continue.
deoarece PSA poate aborda doar covariatele măsurate, implementarea completă ar trebui să includă analiza sensibilității pentru a evalua covariatele neobservate.PSA poate fi utilizat în SAS, R, și Stata. Acestea sunt suplimente care sunt disponibile pentru descărcare.
deși PSA a fost folosit în mod tradițional în epidemiologie și Biomedicină, a fost folosit și în testarea educațională (Rubin este unul dintre fondatori) și Ecologie (EPA are un site web pe PSA!).

punctele forte și limitările PSA

punctele forte
pot include Termeni de interacțiune în calculul PSA.PSA folosește un scor în loc de mai multe covariabile în estimarea efectului. Acest lucru permite unui investigator să utilizeze zeci de covariabile, ceea ce nu este de obicei posibil în modelele tradiționale multivariabile din cauza gradelor limitate de libertate și a numărului de celule zero care rezultă din stratificările mai multor covariabile.
poate fi folosit pentru variabile dihotomice și continue (variabile continue are o mulțime de cercetare în curs de desfășurare).
pacienții incluși în acest studiu pot fi un eșantion mai reprezentativ de pacienți din „lumea reală” decât ar oferi un RCT.
deoarece nu folosim nicio informație despre rezultat atunci când calculăm PS, nicio analiză bazată pe PS nu va influența estimarea efectului.
evităm inferența în afara suportului.
ne bazăm mai puțin pe valorile p și alte ipoteze specifice modelului.
nu trebuie să cunoaștem cauzele rezultatului pentru a crea schimbabilitate.

limitări
cea mai gravă limitare este că PSA controlează numai covariatele măsurate.
suprapunerea grupului trebuie să fie substanțială (pentru a permite potrivirea corespunzătoare).potrivirea covariatelor observate poate deschide căi de backdoor în covariatele neobservate și poate exacerba părtinirea ascunsă.PSA funcționează cel mai bine în probe mari pentru a obține un echilibru bun de covariabile.
dacă avem date lipsă, obținem un PS lipsă.
nu ia în considerare clustering (problematic pentru cercetarea la nivel de cartier).

lecturi

manuale& capitole

Oakes JM și Johnson PJ. 2006. Potrivirea scorului de înclinație pentru epidemiologia socială în metode în epidemiologia socială (eds. JM Oakes și JS Kaufman), Jossey-Bass, San Francisco, CA.
introducere simplă și clară a PSA cu exemplu lucrat din Epidemiologie socială.

Hirano K și Imbens GW. 2005. Scorul de înclinație cu tratamente continue în modelarea Bayesiană aplicată și inferența cauzală din perspective de date Incomplete: o călătorie esențială cu familia Statistică a lui Donald Rubin (eds. A Gelman și XL Meng), John Wiley & Sons, Ltd, Chichester, MAREA BRITANIE.
discutarea utilizării PSA pentru tratamente continue.

articole metodologice

Rosenbaum PR și Rubin DB. 1983. Rolul central al scorului de înclinație în studiile observaționale pentru efectele cauzale. Biometrika, 70(1); 41-55.
articol Germinal pe PSA.

Rosenbaum PR și Rubin DB. 1985. Prejudecată din cauza potrivirii incomplete. Biometrika, 41(1); 103-116.
discutarea prejudecății din cauza potrivirii incomplete a subiecților din PSA.

D ‘ Agostino RB. 1998. Metode de scor de înclinație pentru reducerea părtinirii în compararea unui tratament cu un grup de control non-randomizat. Statist Med, 17; 2265-2281.
O discuție suplimentară a PSA cu exemple lucrate. Include calcule ale diferențelor standardizate și reducerea prejudecății.

Joffe MM și Rosenbaum PR. 1999. Comentariu invitat: scoruri propensiune. Am J Epidemiol, 150 (4); 327-333.
discutarea utilizărilor și limitărilor PSA. De asemenea, include discuții despre PSA în studiile de caz-cohortă.

articole de aplicare

Kumar S și Vollmer S. 2012. Accesul la salubritate îmbunătățită reduce diareea în India rurală. Sănătate Econ. DOI: 10.1002 / hec.2809
Se aplică PSA la salubritate și diaree la copiii din India rurală. O mulțime de explicații cu privire la modul în care PSA a fost realizat în lucrare. Bun exemplu.

Suh HS, Hay JW, Johnson Ka, și Doctor, JN. 2012. Eficacitatea comparativă a terapiei combinate cu statină plus fibrat și a monoterapiei cu statină la pacienții cu diabet zaharat de tip 2: Utilizarea scorului de înclinație și a metodelor variabile instrumentale pentru ajustarea pentru părtinirea tratamentului-selecție.Farmacoepidemiol și siguranța medicamentelor. DOI: 10.1002 / pds.3261
aplică PSA la terapiile pentru diabetul de tip 2. De asemenea, compară PSA cu variabilele instrumentale.

Rubin DB. 2001. Utilizarea scorurilor de înclinație pentru a ajuta la proiectarea studiilor observaționale: aplicarea la litigiul privind tutunul. Rezultatele Serviciilor De Sănătate Metoda Res, 2; 169-188.
aplicarea mai avansată a PSA de către unul dintre inițiatorii PSA.

Landrum MB și Ayanian JZ. 2001. Efectul cauzal al îngrijirii ambulatorii de specialitate asupra mortalității în urma infarctului miocardic: o comparație a tendinței socre și a analizei variabile instrumentale. Rezultatele De Sănătate Serv Metoda Res, 2; 221-245.
un bun exemplu clar de PSA aplicat mortalității după MI. Comparație cu metodele IV.

Bingenheimer JB, Brennan RT, și Earls FJ. 2005. Expunerea violenței armelor de foc și comportamentul violent grav. Știință, 308; 1323-1326.exemplu interesant de PSA aplicat la expunerea violență arme de foc și comportamentul violent grave ulterioare.

site-uri web

implementarea software-ului statistic
Software pentru implementarea metodelor de potrivire și a scorurilor de înclinație:

pentru SAS macro:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: potrivirea computerizată a cazurilor la controale folosind algoritmul de potrivire greedy cu un număr fix de controale pe caz.
vmatch: potrivirea computerizată a cazurilor la controale folosind potrivirea optimă variabilă.

documentație SAS:

pentru programul R:

slide-uri de la Thomas Love 2003 asa prezentare:

resurse (fișe, bibliografie adnotată) de la Thomas Love:

explicație și exemplu din ecologia PSA:

cursuri

un atelier online despre potrivirea Scorului de înclinație este disponibil prin EPIC