Utama Lain Analisis Skor Kecenderungan

Analisis Skor Kecenderungan

Gambaran

pro dan kontra dari istilah hidup hakim agung

Perangkat lunak

Deskripsi

Situs web

Bacaan

Kursus

Gambaran

PS adalah probabilitas. Faktanya, ini adalah probabilitas bersyarat untuk terekspos jika diberikan satu set kovariat, Pr(E+|kovariat). Kita dapat menghitung PS untuk setiap subjek dalam studi observasional terlepas dari paparan aktualnya.

Setelah kami memiliki PS untuk setiap mata pelajaran, kami kemudian kembali ke dunia nyata yang terpapar dan tidak terpapar. Kami dapat mencocokkan subjek yang terpapar dengan subjek yang tidak terpapar dengan PS yang sama (atau sangat mirip). Jadi, kemungkinan terpapar sama dengan peluang tidak terpapar. Eksposurnya acak.

Deskripsi

Analisis skor kecenderungan (PSA) muncul sebagai cara untuk mencapai pertukaran antara kelompok yang terpapar dan tidak terpapar dalam studi observasional tanpa bergantung pada pembuatan model tradisional. Pertukaran sangat penting untuk kesimpulan kausal kami.

Dalam studi eksperimental (misalnya uji coba kontrol acak), kemungkinan terpapar adalah 0,5. Jadi, kemungkinan tidak terpapar juga 0,5. Probabilitas terpapar atau tidak terpapar adalah sama. Oleh karena itu, status eksposur subjek yang sebenarnya adalah acak.

Probabilitas paparan yang sama ini membuat kita merasa lebih nyaman untuk menyatakan bahwa kelompok yang terpapar dan tidak terpapar sama dalam semua faktor kecuali keterpaparan mereka. Oleh karena itu, kami mengatakan bahwa kami memiliki pertukaran antar kelompok.

Salah satu tantangan terbesar dengan studi observasional adalah bahwa kemungkinan berada dalam kelompok terpapar atau tidak terpapar tidak acak.

Ada beberapa kesempatan di mana studi eksperimental tidak layak atau etis. Tapi kami masih ingin pertukaran kelompok dicapai dengan pengacakan. PSA membantu kita untuk meniru studi eksperimental menggunakan data dari studi observasional.

Melakukan PSA

5 Langkah yang Dijelaskan Secara Singkat untuk PSA Brief
1. Tentukan set kovariat yang ingin Anda sertakan.
2. Gunakan regresi logistik untuk mendapatkan PS untuk setiap mata pelajaran.
3. Cocokkan subjek yang terpapar dan tidak terpapar di PS.
4. Periksa keseimbangan kovariat pada kelompok terpapar dan tidak terpapar setelah pencocokan di PS.
5. Hitung perkiraan efek dan kesalahan standar dengan populasi kecocokan ini.

1. Tentukan set kovariat yang ingin Anda sertakan.
Ini adalah langkah penting untuk PSA Anda. Kami menggunakan kovariat ini untuk memprediksi kemungkinan paparan kami. Kami ingin memasukkan semua prediktor eksposur dan tidak ada efek eksposur. Kami tidak mempertimbangkan hasil dalam memutuskan kovariat kami. Kami mungkin menyertakan perancu dan variabel interaksi. Jika kami ragu dengan kovariat, kami memasukkannya ke dalam set kovariat kami (kecuali kami berpikir bahwa itu adalah efek dari paparan).

2. Gunakan regresi logistik untuk mendapatkan PS untuk setiap mata pelajaran.
Kami menggunakan kovariat untuk memprediksi kemungkinan terpapar (yaitu PS). Semakin banyak kovariat sejati yang kita gunakan, semakin baik prediksi kita tentang kemungkinan terekspos. Kami menghitung PS untuk semua mata pelajaran, terpapar dan tidak terpapar.

Menggunakan angka dan huruf Yunani:
ln(PS/(1-PS))= 0+β1X1+…+βpXp
PS= (exp(β0+β1X1+…+βpXp)) / (1+exp(β0 +β1X1 +…+pXp))

3. Cocokkan subjek yang terpapar dan tidak terpapar di PS.
Kami ingin mencocokkan subjek yang terpapar dan tidak terpapar pada kemungkinan terpapar (PS mereka). Jika kita tidak dapat menemukan kecocokan yang cocok, maka subjek itu dibuang. Membuang subjek dapat menimbulkan bias ke dalam analisis kami.

Beberapa metode untuk pencocokan ada. Yang paling umum adalah tetangga terdekat di dalam kaliper. Tetangga terdekat adalah subjek yang tidak terpapar yang memiliki PS terdekat dengan PS untuk subjek kami yang terpapar.

Kami mungkin tidak dapat menemukan kecocokan yang tepat, jadi kami mengatakan bahwa kami akan menerima skor PS dalam batas kaliper tertentu. Kami menetapkan nilai apriori untuk kaliper. Nilai ini biasanya berkisar dari +/-0,01 hingga +/-0,05. Di bawah 0,01, kita bisa mendapatkan banyak variabilitas dalam perkiraan karena kita kesulitan menemukan kecocokan dan ini membuat kita membuang subjek tersebut (pencocokan tidak lengkap). Jika kita melewati 0,05, kita mungkin kurang yakin bahwa eksposur dan tidak terekspos kita benar-benar dapat ditukar (pencocokan tidak tepat). Biasanya, 0,01 dipilih untuk cutoff.

Rasio subjek yang terpapar dengan subjek yang tidak terpapar bervariasi. Pencocokan 1:1 dapat dilakukan, tetapi seringkali pencocokan dengan penggantian dilakukan untuk memungkinkan kecocokan yang lebih baik. Pencocokan dengan penggantian memungkinkan subjek yang tidak terpapar yang telah dicocokkan dengan subjek yang terpapar dikembalikan ke kumpulan subjek yang tidak terpapar yang tersedia untuk dicocokkan.

Ada trade-off dalam bias dan presisi antara pencocokan dengan penggantian dan tanpa (1:1). Pencocokan dengan penggantian memungkinkan pengurangan bias karena pencocokan yang lebih baik antar subjek. Pencocokan tanpa penggantian memiliki presisi yang lebih baik karena lebih banyak subjek yang digunakan.

4. Periksa keseimbangan kovariat pada kelompok terpapar dan tidak terpapar setelah pencocokan di PS.
Tumpang tindih substansial dalam kovariat antara kelompok yang terpapar dan tidak terpapar harus ada bagi kita untuk membuat kesimpulan kausal dari data kita. Ini berlaku di semua model, tetapi di PSA, ini menjadi sangat jelas secara visual. Jika tidak ada tumpang tindih dalam kovariat (yaitu jika kita tidak memiliki skor kecenderungan yang tumpang tindih), maka semua kesimpulan akan dibuat tidak mendukung data (dan dengan demikian, kesimpulan akan bergantung pada model).

Kita dapat menggunakan beberapa alat untuk menilai keseimbangan kovariat kita. Pertama, kita dapat membuat histogram PS untuk grup yang terpapar dan tidak terpapar. Kedua, kita dapat menilai perbedaan standar. Ketiga, kita dapat menilai pengurangan bias.

apakah alexander hamilton memiliki budak?

Perbedaan standar=(100*(rata-rata(x terpapar)-(rata-rata(x tidak terpapar)))/(sqrt((SD^2terekspos+ SD^2tidak terpapar)/2))

Perbedaan lebih dari 10% dianggap buruk. Kovariat kami didistribusikan terlalu berbeda antara kelompok yang terpapar dan tidak terpapar sehingga kami merasa nyaman dengan asumsi pertukaran antar kelompok.
Pengurangan bias= 1-(|perbedaan standar cocok|/|perbedaan standar tidak cocok|)
Kami ingin melihat pengurangan bias yang substansial dari analisis yang tidak cocok ke analisis yang cocok. Apa artinya substansial terserah Anda.
5. Hitung perkiraan efek dan kesalahan standar dengan populasi yang cocok ini.
Estimasi efek pengobatan rata-rata dari yang diobati (ATT)=jumlah(y terpapar- y tidak terpapar)/# pasangan yang cocok
Kesalahan standar dapat dihitung menggunakan metode resampling bootstrap.
Pasangan yang cocok yang dihasilkan juga dapat dianalisis menggunakan metode statistik standar, mis. Kaplan-Meier, model bahaya proporsional Cox. Anda dapat memasukkan PS dalam model analisis akhir sebagai ukuran berkelanjutan atau membuat kuartil dan stratifikasi.

Beberapa catatan lagi tentang PSA
PSA dapat digunakan untuk eksposur dikotomis atau terus menerus.
Karena PSA hanya dapat mengatasi kovariat terukur, implementasi lengkap harus mencakup analisis sensitivitas untuk menilai kovariat yang tidak teramati.
PSA dapat digunakan di SAS, R, dan Stata. Ini adalah add-on yang tersedia untuk diunduh.
Meskipun PSA secara tradisional telah digunakan dalam epidemiologi dan biomedis, PSA juga telah digunakan dalam pengujian pendidikan (Rubin adalah salah satu pendirinya) dan ekologi (EPA memiliki situs web di PSA!).

Kekuatan dan Keterbatasan PSA

Kekuatan
Dapat menyertakan istilah interaksi dalam menghitung PSA.
PSA menggunakan satu skor alih-alih beberapa kovariat dalam memperkirakan efeknya. Hal ini memungkinkan penyelidik untuk menggunakan lusinan kovariat, yang biasanya tidak mungkin dilakukan dalam model multivariabel tradisional karena derajat kebebasan yang terbatas dan jumlah sel nol yang timbul dari stratifikasi beberapa kovariat.
Dapat digunakan untuk variabel dikotomis dan kontinu (variabel kontinu memiliki banyak penelitian yang sedang berlangsung).
Pasien yang termasuk dalam penelitian ini mungkin merupakan sampel yang lebih representatif dari pasien dunia nyata daripada yang akan diberikan oleh RCT.
Karena kami tidak menggunakan informasi apa pun tentang hasil saat menghitung PS, tidak ada analisis berdasarkan PS yang akan membuat estimasi efek bias.
Kami menghindari inferensi off-support.
Kami kurang mengandalkan nilai-p dan asumsi spesifik model lainnya.
Kita tidak perlu tahu penyebab hasil untuk menciptakan pertukaran.

Keterbatasan
Keterbatasan yang paling serius adalah bahwa PSA hanya mengontrol kovariat yang diukur.
Tumpang tindih grup harus substansial (untuk memungkinkan pencocokan yang sesuai).
Pencocokan pada kovariat yang diamati dapat membuka jalur pintu belakang pada kovariat yang tidak teramati dan memperburuk bias tersembunyi.
PSA bekerja paling baik dalam sampel besar untuk mendapatkan keseimbangan kovariat yang baik.
Jika kami memiliki data yang hilang, kami mendapatkan PS yang hilang.
Tidak memperhitungkan pengelompokan akun (bermasalah untuk penelitian tingkat lingkungan).

Bacaan

Buku Teks & Bab

Oakes JM dan Johnson PJ. 2006. Pencocokan skor kecenderungan untuk epidemiologi sosial dalam Metode dalam Epidemiologi Sosial (eds. JM Oakes dan JS Kaufman), Jossey-Bass, San Francisco, CA.
Pengantar PSA yang sederhana dan jelas dengan contoh kerja dari epidemiologi sosial.

Hirano K dan Imbens GW. 2005. Skor kecenderungan dengan perawatan berkelanjutan dalam Pemodelan Bayesian Terapan dan Inferensi Kausal dari Perspektif Data Tidak Lengkap: Perjalanan Esensial dengan Keluarga Statistik Donald Rubin (eds. A Gelman dan XL Meng), John Wiley & Sons, Ltd, Chichester, UK.
Diskusi penggunaan PSA untuk perawatan berkelanjutan.

Artikel Metodologis

Rosenbaum PR dan Rubin DB. 1983. Peran sentral dari skor kecenderungan dalam studi observasional untuk efek kausal. Biometrika, 70(1); 41-55.
Artikel germinal di PSA.

Rosenbaum PR dan Rubin DB. 1985. Bias karena pencocokan yang tidak lengkap. Biometrika, 41(1); 103-116.
Diskusi bias karena pencocokan mata pelajaran yang tidak lengkap dalam PSA.

D'Agostino RB. 1998. Metode skor kecenderungan untuk pengurangan bias dalam perbandingan pengobatan dengan kelompok kontrol non-acak. Kedokteran Statistik, 17; 2265-2281.
Diskusi lebih lanjut tentang PSA dengan contoh yang berhasil. Termasuk perhitungan perbedaan standar dan pengurangan bias.

Joffe MM dan Rosenbaum PR. 1999. Komentar yang diundang: Skor kecenderungan. Am J Epidemiol,150(4); 327-333.
Diskusi tentang penggunaan dan keterbatasan PSA. Juga termasuk diskusi tentang PSA dalam studi kasus-kohort.

Artikel Aplikasi

Kumar S dan Vollmer S. 2012. Apakah akses ke sanitasi yang lebih baik mengurangi diare di pedesaan India. Ekonomi Kesehatan. DOI: 10.1002/hec.2809
Menerapkan PSA untuk sanitasi dan diare pada anak-anak di pedesaan India. Banyak penjelasan tentang bagaimana PSA dilakukan di koran. Contoh yang baik.

kota suaka di AS

Suh HS, Hay JW, Johnson KA, dan Doctor, JN. 2012. Perbandingan efektivitas terapi kombinasi statin plus fibrat dan monoterapi statin pada pasien dengan diabetes tipe 2: penggunaan metode skor kecenderungan dan variabel instrumental untuk menyesuaikan bias pemilihan pengobatan. Farmakoepidemiol dan Keamanan Obat. DOI: 10.1002/pds.3261
Menerapkan PSA untuk terapi diabetes tipe 2. Juga membandingkan PSA dengan variabel instrumental.

Rubin DB. 2001. Menggunakan skor kecenderungan untuk membantu merancang studi observasional: Aplikasi untuk litigasi tembakau. Metode Res Hasil Pelayanan Kesehatan, 2; 169-188.
Aplikasi PSA yang lebih canggih oleh salah satu pencetus PSA.

apakah tunjangan kena pajak?

Landrum MB dan Ayanian JZ. 2001. Efek kausal perawatan khusus rawat jalan pada kematian setelah infark miokard: Sebuah perbandingan kecenderungan socre dan analisis variabel instrumental. Metode Res Hasil Pelayanan Kesehatan, 2; 221-245.
Sebuah contoh jelas yang baik dari PSA diterapkan pada kematian setelah MI. Perbandingan dengan metode IV.

Bingenheimer JB, Brennan RT, dan Earls FJ. 2005. Pemaparan kekerasan senjata api dan perilaku kekerasan yang serius. Sains, 308; 1323-1326.
Contoh menarik dari PSA yang diterapkan pada paparan kekerasan senjata api dan perilaku kekerasan serius berikutnya.

Situs web

Implementasi Perangkat Lunak Statistik
Perangkat lunak untuk menerapkan metode pencocokan dan skor kecenderungan:
http://www.biostat.jhsph.edu/~estuart/propensityscoresoftware.html

Untuk makro SAS:
http://ndc.mayo.edu/mayo/research/biostat/sasmacros.cfm gmatch: Pencocokan terkomputerisasi dari kasus ke kontrol menggunakan algoritma pencocokan serakah dengan jumlah kontrol tetap per kasus.
vmatch: Pencocokan terkomputerisasi dari kasus ke kontrol menggunakan pencocokan optimal variabel.

Dokumentasi SAS:
http://www.nesug.org/Proceedings/nesug10/ad/ad05.pdf

Pengantar Negara:
http://help.pop.psu/edu/help-by-statistical-method/propensity-metching/Pengantar P-score_Sp08.pdf
http://fmwww.bc.edu/RePEc/usug2001/psmatch.pdf

Untuk program R:
http://sekhon.berkeley.edu/matching/

Informasi Umum tentang PSA
Pengantar yang bagus untuk PSA dari Kaltenbach:
http://www.mc.vanderbilt.edu/gcrc/workshop_files/2008-04-11.pdf

Slide dari presentasi Thomas Love 2003 ASA:
www.chrp.org/love/ASACleveland2003**Kecenderungan**.pdf

Sumber daya (handout, bibliografi beranotasi) dari Thomas Love:
http://www.chrp.org/propensity

Penjelasan dan contoh dari ekologi PSA:
http://www.epa.gov/caddis/da_advanced_5.html

Kursus

Sebuah lokakarya online tentang Pencocokan Skor Kecenderungan tersedia melalui EPIC

Memperkirakan Efek Intervensi Kesehatan Mental dalam Pengaturan Non-eksperimental
Elizabeth Stuart
Kam, 14-15 Juni 2012, 08:30 – 16:30
http://www.jhsph.edu/dept/mh/summer_institute/courses.html

Artikel Menarik

Pilihan Editor

Proses aplikasi
Proses aplikasi
Jalan Anda menuju gelar JD dari Columbia Law School dimulai di sini.
Kaca Maeve
Kaca Maeve
Seorang sejarawan hukum pemenang penghargaan yang bergabung dengan fakultas pada tahun 2018, Maeve Glass '09 berfokus pada landasan hukum dan konseptual untuk Konstitusi AS dan implikasinya untuk hari ini. Ph.D.nya disertasi tentang subjek, These United States: A History of the Fracturing of America, menerima hadiah disertasi terbaik American Society for Legal History pada tahun 2017 dan merupakan dasar untuk bukunya yang akan datang tentang asal usul dan evolusi Konstitusi AS. Sebagai seorang pengacara dan sejarawan yang terlatih dalam sejarah Amerika Latin dan penduduk asli Amerika, Glass membawa pendekatan interdisipliner ke seminarnya, The Legal History of American Slavery, yang mengkaji hukum perbudakan dari berbagai perspektif, termasuk teori ras kritis, gender studi, ekonomi, dan sejarah sosial. Di kelas propertinya, Glass mengambil pandangan panjang untuk memeriksa bagaimana doktrin telah berevolusi selama berabad-abad dan tetap relatif stabil. Sebagai rekan akademik di Sekolah Hukum, Glass menyusun ide untuk Hukum dan Sejarahnya: Lokakarya Metode, yang mempertemukan mahasiswa pascasarjana dan profesor dari seluruh Universitas Columbia. Dia telah memegang beasiswa sejarah hukum di Harvard Law School dan New York University School of Law, di mana dia menyelesaikan pekerjaan arsip dan doktoralnya. Dia mengembangkan pendekatan individualnya untuk mengajar saat dia mengejar gelar Ph.D. dalam sejarah di Universitas Princeton.
Patung Luar Ruang Umum di Columbia
Patung Luar Ruang Umum di Columbia
'La Bailarina' oleh Alumnus Samuel Harwood '19 Ditayangkan di Festival Film Internasional New York 2021 (NYCIFF)
'La Bailarina' oleh Alumnus Samuel Harwood '19 Ditayangkan di Festival Film Internasional New York 2021 (NYCIFF)
Film ini ditayangkan sebagai bagian dari seleksi Narasi Shorts.
Bagaimana Bulan Kelahiran Anda Mempengaruhi Kesehatan Anda
Bagaimana Bulan Kelahiran Anda Mempengaruhi Kesehatan Anda
CG v. Facebook Irlandia Ltd
CG v. Facebook Irlandia Ltd
Columbia Global Freedom of Expression berusaha untuk memajukan pemahaman tentang norma-norma dan institusi internasional dan nasional yang paling baik melindungi arus bebas informasi dan ekspresi dalam komunitas global yang saling terhubung dengan tantangan-tantangan besar yang harus diatasi bersama. Untuk mencapai misinya, Global Freedom of Expression melakukan dan menugaskan proyek penelitian dan kebijakan, menyelenggarakan acara dan konferensi, dan berpartisipasi dalam dan berkontribusi pada debat global tentang perlindungan kebebasan berekspresi dan informasi di abad ke-21.
Promusicae v. Telefónica de Espaa SAU, Kasus C 275/06
Promusicae v. Telefónica de Espaa SAU, Kasus C 275/06
Columbia Global Freedom of Expression berusaha untuk memajukan pemahaman tentang norma-norma dan institusi internasional dan nasional yang paling melindungi arus bebas informasi dan ekspresi dalam komunitas global yang saling terhubung dengan tantangan-tantangan besar yang harus diatasi bersama. Untuk mencapai misinya, Global Freedom of Expression melakukan dan menugaskan proyek penelitian dan kebijakan, menyelenggarakan acara dan konferensi, dan berpartisipasi dalam dan berkontribusi pada debat global tentang perlindungan kebebasan berekspresi dan informasi di abad ke-21.