Чим показники схильності відрізняються від регресії додавання коваріатів і коли вони віддають перевагу останнім?

Я визнаю, що я відносно новачок у показниках схильності та причинному аналізі.

Одне, що не очевидно для мене як для новачків, - це те, як «врівноваження» за допомогою балів схильності математично відрізняється від того, що відбувається, коли ми додаємо коваріати в регресію? Що відрізняється від операції, і чому це (або це) краще, ніж додавання коваріатів субпопуляції в регресію?

Я бачив деякі дослідження, які проводять емпіричне порівняння методів, але я не бачив гарної дискусії стосовно математичних властивостей двох методів, і чому ПСМ піддається причинно-наслідковій інтерпретації, в тому числі регресійні коваріати цього не роблять. У цій галузі також здається багато плутанини та суперечок, що ускладнює підбір речей.

Будь-які думки щодо цього чи будь-які вказівки на хороші ресурси / документи, щоб краще зрозуміти відмінність? (Я повільно пробиваюся через книгу про привітність Джудеї Перл, тому не потрібно вказувати на це)

Велика різниця полягає в тому, що регресія "контролює" ці характеристики лінійно. Збіг за показниками схильності виключає припущення про лінійність, але, оскільки деякі спостереження можуть не відповідати, ви, можливо, не зможете нічого сказати про певні групи.

Наприклад, якщо ви вивчаєте програму підготовки робітників, у вас можуть бути всі учасники чоловіків, але контрольне населення, яке не бере участь учасників, має складатися з чоловіків і жінок. Використовуючи регресію, ви можете регресувати, доходи, скажімо, за змінною показника участі та чоловічим показником. Ви б використали всі свої дані і могли б оцінити дохід жінки, якби вона брала участь у програмі.

Якщо ви робили відповідність, ви могли зрівняти лише чоловіків із чоловіками. Як результат, ви не використовуєте жодних жінок у своєму аналізі, і ваші результати не стосуватимуться їх.

Регресія може екстраполювати за допомогою припущення про лінійність, але збіг не може. Усі інші припущення по суті є однаковими між регресією та узгодженням. Перевага порівняння над регресією полягає в тому, що воно не є параметричним (за винятком того, що ви повинні вважати, що ви маєте правильний показник схильності, якщо саме так ви робите відповідність).

Для більш детальної дискусії дивіться тут мою сторінку для курсу, який був сильно зосереджений на методах узгодження. Див. Особливо припущення щодо оцінки причинних наслідків .

Також не забудьте ознайомитись із статтею Розенбаум та Рубін (1983), яка визначає відповідність показників схильності.

Нарешті, збіг пройшов довгий шлях з 1983 року. Перегляньте веб-сторінку Джас Сехон, щоб дізнатися про його алгоритм генетичного узгодження.

Коротка відповідь полягає в тому, що показники схильності не є кращими за еквівалентну модель ANCOVA, особливо що стосується причинного тлумачення.

Оцінки схильності найкраще розуміти як метод зменшення даних. Вони є ефективним засобом для зменшення багатьох коваріатів до єдиного показника, який можна використовувати для коригування ефекту, що цікавить, для набору змінних. Роблячи це, ви економите ступінь свободи, налаштовуючи на один показник схильності, а не на кілька коваріатів. Це, безумовно, представляє статистичну перевагу, але не більше того.

Одне питання, яке може виникнути при використанні регуляції регресії з показниками схильності, полягає в тому, чи є якийсь приріст у використанні шкали схильності, а не при виконанні коригування регресії з усіма коваріатами, що використовуються для оцінки балу схильності, включеного в модель. Розенбаум і Рубін показали, що "точкова оцінка ефекту лікування за допомогою аналізу коригування коваріації для багатоваріантного Х дорівнює оцінці, отриманій від одновимірного коригування коваріації для лінійного дискримінанта зразка на основі X, коли використовується одна і та ж матриця коваріації вибірки. як для коригування коваріації, так і для дискримінаційного аналізу ". Таким чином, результати обох методів повинні привести до однакових висновків. Однак, однією з переваг у виконанні двоетапної процедури є те, що спочатку можна підігнати дуже складну модель оцінки схильності з взаємодією та умовами вищого порядку. Оскільки ціль цієї моделі оцінок схильності полягає в тому, щоб отримати найкращу оцінну ймовірність призначення лікування, не варто перейматися надмірною параметризацією цієї моделі.

Від:

МЕТОДИ НАВЧАЛЬНОГО ВИПУСКУВАННЯ ДЛЯ ЗНЯТТЯ БІАСУ У ПОРІВНЯНІ ЛІКУВАННЯ З НЕЗАЛОНДОВАНОЮ КОНТРОЛЬНОЮ ГРУППУ

Д'Агостіно (цитуючи Розенбаума та Рубіна)

D'agostino, RB 1998. Коефіцієнт відповідності показників схильності для зменшення зміщення у порівнянні терапії з не рандомізованою контрольною групою. Статистична медицина 17: 2265–2281.

Ймовірна тупа посилання, але якщо ви випадково отримаєте доступ до неї, я рекомендую прочитати цю книгу ( Apel and Sweeten, 2010 ). Він орієнтований на соціальних науковців, і, можливо, не настільки суворий з математики, як вам здається, але він повинен заглибитися в достатню глибину, щоб стати більш ніж задовільною відповіддю на ваше питання.

Існує кілька різних способів лікування людей показниками схильності, які можуть призвести до різних висновків від простого включення коваріатів у регресійну модель. Якщо один результат оцінюється, не обов’язково є спільна підтримка всіх спостережень (тобто є деякі спостереження, які, здається, ніколи не мають шансу потрапити в групу лікування, і такі, які завжди знаходяться в групі лікування). Також можна зважувати спостереження різними способами, що може призвести до різних висновків.

На додаток до відповідей тут, я б також запропонував вам ознайомитись з відповідями на відповідне запитання . За показниками схильності є більше речовини, ніж просто статистичний трюк для досягнення коваріаційного балансу. Якщо ви прочитаєте та зрозумієте високо цитовані статті Розенбаума та Рубіна, то стане зрозумілішим, чому цей підхід відрізняється від простого додавання коваріатів у регресійну модель. Я думаю, що більш задовільна відповідь на ваше запитання не обов'язково в математиці за показниками схильності, а в їх логіці.

Мені подобається вважати ПС як проектну частину дослідження, яка повністю відокремилась від аналізу. Тобто, ви можете подумати з точки зору дизайну (PS) та аналізу (регресія тощо). Також PS представляє засіб підтримки обмінності для бінарного лікування; можливо, інші можуть коментувати, чи включення коваріатів у модель результату може повністю підтримувати обмінність, чи можна припустити обмінність до включення коваріатів у модель результатів.

Статистичні методи Med Res. 2016 р. 19 квіт.

Оцінка зміщення в моделях нелінійної регресії з урахуванням схильності, скоригованої на бали

Методи оцінювання схильності зазвичай застосовуються для коригування спостережуваного збиття з пантелику при оцінці ефекту умовного лікування в спостережних дослідженнях. Один популярний метод, коваріатне регулювання показника схильності в регресійній моделі, емпірично показав, що він є необ'єктивним у нелінійних моделях. Однак жодної переконливої ​​теоретичної причини не було представлено. Ми пропонуємо нову основу для дослідження упередженості та послідовності ефектів лікування з урахуванням схильності у нелінійних моделях, що використовує простий геометричний підхід для встановлення зв'язку між послідовністю оцінювача оцінки схильності та збірності нелінійних моделей. В рамках цієї програми ми демонструємо, що коригування показника схильності в моделі результатів призводить до розкладання спостережуваних коваріатів на показник схильності та решту часу. Опущення цього терміну, що залишився, з регресійної моделі, що не згортається, призводить до упереджених оцінок коефіцієнта умовного шансу та коефіцієнта умовної небезпеки, але не для коефіцієнта умовної ставки. Далі ми показуємо, завдяки симуляційним дослідженням, що зміщення цих оцінок, скоригованих на шкали схильності, збільшується із збільшенням розміру ефекту від лікування, більшими коваріатними ефектами та збільшенням несхожості на коефіцієнти коваріатів у моделі лікування порівняно з результативною моделлю.