översikt

ps är en sannolikhet. Det är faktiskt en villkorlig sannolikhet att exponeras med tanke på en uppsättning kovariater, Pr(E+|kovariater). Vi kan beräkna en PS för varje ämne i en observationsstudie oavsett hennes faktiska exponering.

När vi har en PS för varje ämne återvänder vi sedan till den verkliga världen av exponerade och oexponerade. Vi kan matcha exponerade ämnen med oexponerade ämnen med samma (eller mycket liknande) PS. Således är sannolikheten för att exponeras densamma som sannolikheten för att bli oexponerad. Exponeringen är ” slumpmässig.”

beskrivning

Benägenhetsanalys (PSA) uppstod som ett sätt att uppnå utbytbarhet mellan exponerade och oexponerade grupper i observationsstudier utan att förlita sig på traditionell modellbyggnad. Utbytbarhet är avgörande för vår kausala slutsats.

i experimentella studier (t.ex. randomiserade kontrollförsök) är sannolikheten att exponeras 0,5. Således är sannolikheten för att vara oexponerad också 0,5. Sannolikheten att bli exponerad eller oexponerad är densamma. Därför är ett ämnes faktiska exponeringsstatus slumpmässig.

denna lika sannolikhet för exponering gör att vi känner oss mer bekväma och hävdar att de exponerade och oexponerade grupperna är lika på alla faktorer utom deras exponering. Därför säger vi att vi har utbytbarhet mellan grupper.

en av de största utmaningarna med observationsstudier är att sannolikheten för att vara i den exponerade eller oexponerade gruppen inte är slumpmässig.

det finns flera tillfällen där en experimentell studie inte är genomförbar eller etisk. Men vi vill fortfarande att utbytbarheten av grupper uppnås genom randomisering. PSA hjälper oss att efterlikna en experimentell studie med hjälp av data från en observationsstudie.

Ledande PSA

5 kort beskrivna steg till PSA
1. Bestäm vilken uppsättning kovariater du vill inkludera.
2. Använd logistisk regression för att få en PS för varje ämne.
3. Matcha exponerade och oexponerade ämnen på PS.
4. Kontrollera balansen mellan kovariater i de exponerade och oexponerade grupperna efter matchning på PS.
5. Beräkna effektuppskattningen och standardfel med denna matchpopulation.

1. Bestäm vilken uppsättning kovariater du vill inkludera.
Detta är det kritiska steget till din PSA. Vi använder dessa kovariater för att förutsäga vår Sannolikhet för exponering. Vi vill inkludera alla prediktorer för exponeringen och ingen av effekterna av exponeringen. Vi tar inte hänsyn till resultatet när vi beslutar om våra kovariater. Vi kan inkludera confounders och interaktionsvariabler. Om vi är i tvivel om kovariatet inkluderar vi det i vår uppsättning kovariater (såvida vi inte tror att det är en effekt av exponeringen).

2. Använd logistisk regression för att få en PS för varje ämne.
vi använder kovariaten för att förutsäga sannolikheten för att exponeras (vilket är PS). Ju mer sanna kovariater vi använder, desto bättre är vår förutsägelse av sannolikheten för att bli utsatt. Vi beräknar en PS för alla ämnen, exponerade och oexponerade.

med Hjälp av siffror och grekiska bokstäver:
ln(PS/(1-PS))= β0+ß1X1+…+ßpXp
PS= (exp(β0+ß1X1+…+ßpXp)) / (1+exp(β0 +ß1X1 +…+ßpXp))

3. Matcha exponerade och oexponerade ämnen på PS.
vi vill matcha de exponerade och oexponerade ämnena på deras sannolikhet att bli utsatta (deras PS). Om vi inte kan hitta en lämplig matchning, då ämnet kasseras. Att kasta ett ämne kan introducera bias i vår analys.

flera metoder för matchning finns. Vanligast är närmaste granne inom bromsok. Närmaste granne skulle vara det oexponerade ämnet som har en PS närmast PS för vårt exponerade ämne.

vi kanske inte kan hitta en exakt matchning, så vi säger att vi kommer att acceptera en PS-poäng inom vissa bromsokgränser. Vi sätter ett apriori-värde för bromsok. Detta värde varierar vanligtvis från +/-0.01 till + / -0.05. Nedan 0.01, vi kan få mycket variation inom uppskattningen eftersom vi har svårt att hitta matchningar och detta får oss att kasta bort dessa ämnen (ofullständig matchning). Om vi går förbi 0.05 kan vi vara mindre säkra på att våra exponerade och oexponerade verkligen är utbytbara (inexakt matchning). Vanligtvis väljs 0,01 för en cutoff.

förhållandet mellan exponerade för oexponerade ämnen är variabelt. 1: 1 matchning kan göras, men ofta matchning med ersättning görs istället för att möjliggöra bättre matchningar. Matchning med ersättning gör det möjligt för det oexponerade ämnet som har matchats med ett exponerat ämne att returneras till poolen av oexponerade ämnen som är tillgängliga för matchning.

det finns en avvägning i bias och precision mellan matchning med ersättning och Utan (1:1). Matchning med ersättning möjliggör minskad bias på grund av bättre matchning mellan ämnen. Matchning utan ersättning har bättre precision eftersom fler ämnen används.

4. Kontrollera balansen mellan kovariater i de exponerade och oexponerade grupperna efter matchning på PS.
betydande överlappning i kovariater mellan de exponerade och oexponerade grupperna måste finnas för att vi ska kunna göra kausala slutsatser från våra data. Detta gäller i alla modeller, men i PSA blir det visuellt mycket uppenbart. Om det inte finns någon överlappning i kovariater (dvs. om vi inte har någon överlappning av benägenhetspoäng), skulle alla slutsatser göras av stöd för data (och därmed skulle slutsatser vara modellberoende).

Vi kan använda ett par verktyg för att bedöma vår balans av kovariater. Först kan vi skapa ett histogram av PS för exponerade och oexponerade grupper. För det andra kan vi bedöma den standardiserade skillnaden. För det tredje kan vi bedöma biasminskningen.

standardiserad skillnad=(100*(medelvärde (X exponerad) – (medelvärde(x oexponerad)))/(sqrt ((SD^2exposed+ SD^2UNEXPOSED)/2))

mer än 10% skillnad anses vara dålig. Våra kovariater fördelas för olika mellan exponerade och oexponerade grupper för att vi ska känna oss bekväma om vi antar utbytbarhet mellan grupper.
Bias reduction= 1 – (|standardiserad skillnad matchad/||standardiserad skillnad oöverträffad/)
vi skulle vilja se en väsentlig minskning av bias från den oöverträffade till den matchade analysen. Vilka väsentliga medel är upp till dig.
5. Beräkna effektuppskattningen och standardfel med denna matchade population.
uppskattning av genomsnittlig behandlingseffekt av den behandlade (ATT)=summa(y exponerad – y oexponerad)/# av matchade par
standardfel kan beräknas med hjälp av bootstrap-samplingsmetoder.
de resulterande matchade paren kan också analyseras med hjälp av standardstatistiska metoder, t.ex. Kaplan-Meier, Cox proportionella riskmodeller. Du kan inkludera PS i slutanalysmodell som en kontinuerlig åtgärd eller skapa kvartiler och stratifiera.

några fler anteckningar om PSA
PSA kan användas för dikotom eller kontinuerlig exponering.eftersom PSA endast kan adressera uppmätta kovariater, bör fullständigt genomförande inkludera känslighetsanalys för att bedöma obemärkta kovariater.
PSA kan användas i SAS, R och Stata. Dessa är tillägg som är tillgängliga för nedladdning.
även om PSA traditionellt har använts i epidemiologi och biomedicin, har den också använts i pedagogisk testning (Rubin är en av grundarna) och ekologi (EPA har en webbplats på PSA!).

styrkor och begränsningar av PSA

styrkor
kan inkludera interaktionsvillkor vid beräkning av PSA.
PSA använder en poäng istället för flera kovariater för att uppskatta effekten. Detta gör det möjligt för en utredare att använda dussintals kovariater, vilket vanligtvis inte är möjligt i traditionella multivariabla modeller på grund av begränsade frihetsgrader och nollräkningsceller som härrör från stratifieringar av flera kovariater.
kan användas för dikotom och kontinuerliga variabler (kontinuerliga variabler har mycket pågående forskning).
patienter som ingår i denna studie kan vara ett mer representativt urval av ”verkliga” patienter än en RCT skulle ge.
eftersom vi inte använder någon information om resultatet vid beräkning av PS, kommer ingen analys baserad på PS att bias effektuppskattning.
vi undviker off-support inferens.
Vi förlitar oss mindre på p-värden och andra modellspecifika antaganden.
vi behöver inte veta orsakerna till resultatet för att skapa utbytbarhet.

Begränsningar
Den allvarligaste begränsningen är att PSA endast kontrollerar för uppmätta kovariater.
gruppöverlappning måste vara väsentlig (för att möjliggöra lämplig matchning).
matchning på observerade kovariater kan öppna bakdörrsvägar i obemärkta kovariater och förvärra dold bias.
PSA fungerar bäst i stora prover för att få en bra balans av kovariater.
om vi saknar data får vi en saknad PS.
tar inte hänsyn till kluster (problematisk för forskning på grannskapsnivå).

avläsningar

läroböcker & Kapitel

Oakes JM och Johnson PJ. 2006. Benägenhetspoäng matchning för social epidemiologi i metoder inom Social epidemiologi (Red. JM Oakes och JS Kaufman), Jossey-Bass, San Francisco, CA.
enkel och tydlig introduktion till PSA med arbetat exempel från social epidemiologi.

Hirano K och Imbens GW. 2005. Benägenhetspoäng med kontinuerliga behandlingar i tillämpad Bayesiansk modellering och kausal inferens från ofullständiga Dataperspektiv: en viktig resa med Donald Rubins statistiska familj (Red. En Gelman och XL Meng), John Wiley & Sons, Ltd, Chichester, Storbritannien.
diskussion om att använda PSA för kontinuerliga behandlingar.

metodologiska artiklar

Rosenbaum PR och Rubin DB. 1983. Den centrala rollen för benägenhetspoäng i observationsstudier för kausala effekter. Biometrika, 70 (1); 41-55.
Germinal artikel om PSA.

Rosenbaum PR och Rubin DB. 1985. Bias på grund av ofullständig matchning. Biometrika, 41 (1); 103-116.
diskussion om bias på grund av ofullständig matchning av ämnen i PSA.

D ’ Agostino RB. 1998. Benägenhetspoäng metoder för biasminskning i jämförelsen av en behandling till en icke-randomiserad kontrollgrupp. Statist Med, 17; 2265-2281.
en ytterligare diskussion om PSA med arbetade exempel. Inkluderar beräkningar av standardiserade skillnader och förspänningsreduktion.

Joffe MM och Rosenbaum PR. 1999. Inbjuden kommentar: benägenhet poäng. Am J Epidemiol, 150 (4); 327-333.
diskussion om användning och begränsningar av PSA. Inkluderar även diskussion om PSA i fallkohortstudier.

Applikationsartiklar

Kumar S och Vollmer S. 2012. Har tillgång till förbättrad sanitet minska diarre på landsbygden Indien. Hälsa Econ. DOI: 10.1002 / hec.2809
Gäller PSA för sanitet och diarre hos barn på landsbygden Indien. Massor av förklaring om hur PSA genomfördes i tidningen. Bra exempel.

Suh HS, Hay JW, Johnson KA och doktor, JN. 2012. Jämförande effektivitet av statin plus fibrat kombinationsbehandling och statin monoterapi hos patienter med typ 2-diabetes: användning av benägenhet-poäng och instrumentala variabla metoder för att justera för behandling-selektionsförspänning.Farmakoepidemiol och läkemedelssäkerhet. DOI: 10.1002 / pds.3261
tillämpar PSA på terapier för typ 2-diabetes. Jämför också PSA med instrumentvariabler.

Rubin DB. 2001. Använda benägenhetspoäng för att hjälpa till att utforma observationsstudier: ansökan till tobakstvister. Hälsa Serv Resultat Res Metod, 2; 169-188.
mer avancerad tillämpning av PSA av en av PSA: s upphovsmän.

Landrum MB och Ayanian JZ. 2001. Orsakseffekt av ambulerande specialvård på dödlighet efter hjärtinfarkt: en jämförelse av benägenhet socre och instrumental variabel analys. Hälsa Serv Utfall Res Metod, 2; 221-245.
ett bra tydligt exempel på PSA applicerat på dödlighet efter MI. Jämförelse med IV-metoder.

Bingenheimer JB, Brennan RT och Earls FJ. 2005. Skjutvapen våld exponering och allvarligt våldsamt beteende. Vetenskap, 308; 1323-1326.
intressant exempel på PSA tillämpas på skjutvapen våld exponering och efterföljande allvarligt våldsamt beteende.

webbplatser

statistisk mjukvaruimplementering
programvara för implementering av matchningsmetoder och benägenhetspoäng:

för SAS macro:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfmgmatch: datoriserad matchning av fall till kontroller med hjälp av den giriga matchningsalgoritmen med ett fast antal kontroller per fall.
vmatch: datoriserad matchning av fall till kontroller med variabel optimal matchning.

SAS dokumentation:

För r-program:

bilder från Thomas Love 2003 Asa presentation:

resurser (utdelningar, kommenterad bibliografi) från Thomas Love:

förklaring och exempel från ekologi av PSA:

kurser

en online workshop om Benägenhetspoäng matchning är tillgänglig via EPIC