MerQuR+Başvuru Kitabı

61. Eğilim Skoru Analizi

Analiz kimliği: propensity_score · Menü adı: Eğilim Skoru Analizi · Panel: gui/panels/analyses/propensity_score.py · Motor: stats/propensity_score.py, run_propensity_score (satır 458–591); yardımcılar stats/_econ_common.py (ols, vcov_hc, vcov_cluster, satır 187–212)

61.1 Ne işe yarar

Gözlemsel bir çalışmada tedaviyi alan ve almayan hastalar baştan farklıdır: kardiyak rehabilitasyona katılanlar daha genç, daha çok erkek ve başlangıçta daha iyi yürüyen hastalardır. Ham grup farkı bu yüzden tedavinin etkisiyle başlangıç farklarını karıştırır. Eğilim skoru analizi, gözlenen ortak değişkenler bakımından benzer tedavi ve kontrol birimlerini karşılaştırarak nedensel etkiyi kestirmeye çalışır.

Eğilim skoru (Rosenbaum & Rubin, 1983), ortak değişkenler verildiğinde tedavi alma olasılığıdır:

e(\mathbf x_i)=P(T_i=1\mid\mathbf x_i),\qquad \operatorname{logit} e(\mathbf x_i)=\mathbf x_i^{\top}\boldsymbol\gamma
  • T_i: tedavi göstergesi (1 = tedavi, 0 = kontrol); \mathbf x_i: tedaviden önce ölçülmüş ortak değişkenler (başında 1).
  • e(\mathbf x) tek bir sayıdır ama \mathbf x'in tedavi ile ilgili bütün bilgisini taşır: aynı e değerine sahip birimlerde \mathbf x'in dağılımı iki grupta aynıdır (dengeleme özelliği).
  • MerQur \boldsymbol\gamma'yı lojistik regresyonla kestirir.

Kestirilen nedensel büyüklükler (potansiyel sonuçlar Y(1), Y(0) ile):

\text{ATE}=E[Y(1)-Y(0)],\qquad \text{ATT}=E[Y(1)-Y(0)\mid T=1],\qquad \text{ATC}=E[Y(1)-Y(0)\mid T=0]
  • ATE: tüm nüfusta ortalama etki ("herkes tedavi alsaydı").
  • ATT: tedavi alanlarda ortalama etki ("tedavi görenler tedavi görmeseydi").
  • ATC: kontrollerde ortalama etki ("tedavi görmeyenler tedavi görseydi").
  • Etki heterojen değilse üçü eşittir; heterojense ve tedavi seçimi etkiyle ilişkiliyse farklıdır.

Neden eğilim skoru, neden doğrudan regresyon değil?

İki gerekçe vardır. (1) Tasarım ile analiz ayrılır: denge, sonuca bakılmadan kurulur ve denetlenir (Ho vd., 2007; Stuart, 2010). (2) Model bağımlılığı azalır: iki grubun ortak değişken dağılımları örtüşmediğinde regresyon, örtüşmeyen bölgede doğrusal varsayımla dış değer kestirimi yapar; eşleştirme ve ağırlıklandırma bu bölgeyi görünür kılar ya da dışlar. Eğilim skoru gözlenmeyen karıştırıcıları düzeltmez.

Ne zaman kullanılır? İkili bir tedavi/maruziyet, tedaviden önce ölçülmüş yeterli sayıda ortak değişken ve sürekli (ya da ikili) bir sonuç varsa; amaç ATT/ATE kestirimi ve dengenin şeffaf raporlanmasıysa.

Ne zaman kullanılmaz?

  • Önemli bir karıştırıcı ölçülmemişse ve geçerli bir araç değişken varsa: Araç Değişken (2SLS) Regresyonu.
  • Tedavi öncesi ve sonrası iki dönem ve paralel eğilim varsayımı varsa: Farkların Farkı (DiD).
  • Atama bir eşik değerine göre yapılmışsa: kesikli regresyon tasarımı (RDD; MerQur ekonometri örnekleri).
  • Tedavi ikiden çok düzeyliyse ya da sürekliyse: bu panel yalnız ikili tedavi kabul eder.
  • Sonuç olay zamanıysa: ağırlıklar kaydedilip (Skor/ağırlık sütunlarını kaydet) ağırlıklı Cox modeline aktarılabilir.
  • Amaç yalnız ortak değişkenle düzeltilmiş bir ilişkiyse ve örtüşme sorunu yoksa: Çoklu Doğrusal Regresyon ya da ANCOVA yeterlidir.

Sık karıştırılan analizler. Eşleştirme ile tabakalama ve IPW aynı varsayımlara dayanır; farkları hangi birimlere ne ağırlık verdikleridir. "Sonuç modelinde ortak değişken düzeltmesi" açıldığında yöntem çifte sağlam bir yaklaşıma döner: ağırlıklı regresyon ortak değişkenleri de içerir.

61.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Koşullu bağımsızlık (karıştırıcı yokluğu) \{Y(0),Y(1)\}\perp T\mid\mathbf x: tüm karıştırıcılar ölçülmüş. Test edilemez; yorum notu (ps_interp_assump).
Ortak destek (pozitiflik) 0<e(\mathbf x)<1; her profilde iki grup da var. Skor aralıkları yazılır; e<10^{-8} ya da >1-10^{-8} ise uyarı (propensity_score.py:529–530); ortak destek grafiği.
Eğilim modelinin doğruluğu Logit doğrusal; gerekli etkileşim/kare terimler var. Dolaylı: denge tablosu (SMD, varyans oranı).
SUTVA Bir birimin tedavisi başkasının sonucunu etkilemez; tek bir tedavi biçimi. Denetlenmez.
Ortak değişkenler tedavi öncesi Tedaviden etkilenen değişken (ara değişken) konmaz. Denetlenmez.

Eksik değer. Tedavi, ortak değişkenler ve sonuçta eksik olan satırlar birlikte çıkarılır (liste bazında, 473–476); sayı uyarıyla yazılır (574–575).

Tedavi kodlaması. Tedavi sütununda tam iki farklı değer olmalıdır; MerQur'un ortak düzey sırasında son değer tedavi kabul edilir: sayısal kodda büyük değer, metin etiketlerde (sıra tanımlanmamışsa) verideki ilk görülme sırasına göre ikinci değer (_treat_vector). Alfabetik sıra kullanılmaz; kullanılan sıra çıktıda yazılır. Her grupta en az iki birim gerekir (506–507).

Kategorik ortak değişkenler. Eğilim modelinde ortak düzey sırasının ilk düzeyi referans alınarak kuklalar; denge tablosunda tüm düzeyler ayrı satır olarak (cobalt gibi; 482–501). Yalnız 0/1 değer alan sayısal sütunlar "ikili" sayılır.

Uç durumlar.

  • Tedavi ya da ortak değişken seçilmemişse, bir sütun iki rolde birden seçilmişse hata (457–468).
  • En yakın komşu ile ATE istenirse hata; panel bu seçeneği zaten kapatır (471–472; panel 130–136).
  • Skorlar sonlu değilse (tam ayrışma) hata; IRLS 25 yinelemede yakınsamazsa uyarı (508–514).
  • Değiştirmesiz 1:k'da yeterli kontrol yoksa uyarı; kaliper nedeniyle eşleşemeyen birimler sayılarak uyarılır (530–542).
  • Tabakalamada bir tabakada bir grup boşsa tabaka komşusuyla birleştirilir ve uyarılır (259–270).

61.3 Parametreler

Varsayılanlar panel propensity_score.py:63–146 (form) ve 145–164 (read_options) satırlarından alınmıştır.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Tedavi (grup) değişkeni ikili sütunlardan; adı treat/tedavi … olan önce İkili tedavi göstergesi. Büyük değer tedavi.
Sonuç değişkeni — (yok); adı y/outcome … olan önce Boşsa yalnız denge analizi yapılır. Etki kestirimi.
Ortak değişkenler hiçbiri Eğilim modelinin açıklayıcıları ve denge satırları. Skorlar ve denge.
Yöntem En yakın komşu eşleştirme Eşleştirme, IPW ya da tabakalama. Ağırlıklar, SH türü.
Kestirilen etki ATT ATT, ATE (eşleştirmede kapalı), ATC. Ağırlık formülü, SMD paydası.
Eşleşme oranı (1:k) 1 Her odak birime k eş. Varyans–yanlılık dengesi.
Değiştirmeli eşleştirme kapalı Bir kontrol birden çok kez kullanılabilir. Denge (iyi), etkin örneklem (küçük); SH türü HC3.
Kaliper (SS birimi) 0 (yok) Skor farkı kaliper × SS(skor)'u aşan eş kabul edilmez. Eşleşemeyen birimler dışlanır.
Tabaka sayısı 5 Tabakalamada tabaka sayısı. Denge inceliği.
Stabilize ağırlıklar kapalı ATE ağırlıklarını marjinal tedavi oranıyla çarpar. Yalnız ortak değişken düzeltmesi açıkken kestirimi değiştirir (61.8 S3).
IPW standart hatası M-kestirim (skor belirsizliği dahil) M-tahmin sandviçi ya da HC0. SH.
Güven Düzeyi %95 Etki GA'sı ve eğilim modeli GA'sı. GA genişliği.
Sonuç modelinde ortak değişken düzeltmesi kapalı Etki modeline ortak değişkenleri ekler. Kestirim ve SH (çifte sağlam).
Skor/ağırlık sütunlarını kaydet kapalı ps_score, ps_weight/ps_ipw_weight, ps_match_id/ps_subclass. Veri setine sütun.
Denge eşiği (|SMD|) 0,10 Dengesizlik işareti (⚠) ve yorum cümlesi. Yalnız metin.

Koddaki tercih: seçenekler yönteme göre görünür

Oran, değiştirme ve kaliper yalnız eşleştirmede; tabaka sayısı yalnız tabakalamada; stabilizasyon ve IPW SH türü yalnız IPW'de görünür. Stabilizasyon yalnız IPW-ATE'de uygulanır; başka bir kestirimde işaretli kalsa bile seçenek kaydı ve yöntem adı onu yansıtmaz (propensity_score.py:535–540; panel 200–203).

61.4 Tıp örneği

Dosya: english/datasets/Tip/119_psm_cardiac_rehab_6mwd.xlsx (üretici _uretec_v1023/gen_119_propensity_score.py). Tıp setinde VIDEO_SCRIPT ve sunum bu numara için yoktur; değişkenler üretici betiğin tanımından alınmıştır.

Değişken Rol Tür Tedavi / kontrol ortalaması
cardiac_rehab Tedavi 0/1 164 tedavi, 561 kontrol
walk_6min_3m_m Sonuç sürekli (m) 470,02 / 416,74
age Ortak değişken yıl 58,22 / 62,65
female Ortak değişken 0/1 0,220 / 0,324
lvef_pct Ortak değişken % 49,09 / 47,15
diabetes Ortak değişken 0/1 0,250 / 0,367
baseline_6mwd_m Ortak değişken m 398,46 / 376,76

n ve eksik değer: 725 hasta, eksik değer yok.

Klinik soru: Miyokard enfarktüsü sonrası kardiyak rehabilitasyona katılım, 3. aydaki 6 dakika yürüme mesafesini ne kadar artırır? Ham fark 53,3 m'dir; ama katılanlar zaten daha genç ve başlangıçta daha iyi yürüyen hastalardır. Veri üreticisinde gerçek etki \tau=35 m'dir; bu, yöntemlerin ne kadar yaklaştığını görmeyi sağlar.

Seçilen ayarlar: Varsayılanlar (1:1 değiştirmesiz en yakın komşu, ATT, %95). Ayrıca değiştirmeli 1:1, 1:2, kaliper 0,2, ortak değişken düzeltmesi, ATC (değiştirmeli), IPW ATE/ATT (M-tahmin ve HC0), stabilize IPW, tabakalama (ATT ve ATE) çalıştırılmıştır.

61.5 Formüller ve hesap adımları

MerQur'un hesap sırası: liste bazında silme → tedavi vektörü → tasarım (kuklalar) → lojistik eğilim modeli (IRLS) → yönteme göre ağırlıklar (eşleştirme, IPW, tabakalama) → denge tablosu (önce/sonra) → örneklem büyüklükleri ve ESS → (sonuç varsa) ağırlıklı doğrusal model ve yönteme özgü SH.

61.5.1 Eğilim modeli: R glm.fit ile aynı IRLS

\begin{gathered}\mu^{(0)}=\frac{T+\tfrac12}{2},\qquad z=\eta+\frac{T-\mu}{\mu(1-\mu)},\qquad \boldsymbol\gamma^{\text{yeni}}=\arg\min\sum_i\mu_i(1-\mu_i)(z_i-\mathbf x_i^{\top}\boldsymbol\gamma)^2\\[4pt] \text{dur: }\frac{|D-D_{\text{eski}}|}{|D|+0{,}1}<10^{-8}\end{gathered}
  • \mu^{(0)}: R binomial()$initialize başlangıcı (0 için 0,25, 1 için 0,75).
  • D: binom sapması; ölçüt R glm.control(epsilon = 1e-8) ile aynıdır; en çok 25 yineleme (logit_glm, 122–145).
  • Ağırlıklı EKK QR ayrıştırmasıyla çözülür (R glm.fit gibi).

Koddaki tercih: neden R ile aynı durma ölçütü?

Eşleştirme skor sıralamasına ve bağlara duyarlıdır. MerQur, MatchIt'in aynı eşleri seçmesi için skorları R glm ile 10^{-15} düzeyinde aynı üretmek ister; bu yüzden ML'ye "sonuna kadar" değil, R ile aynı noktada durur. Tıp örneğinde tam yakınsamış ML skorlarıyla fark en çok 4{,}3\times10^{-10}'dur; eşleşmeleri değiştirmez. Kovaryans ise son \boldsymbol\mu ile yeniden kurulan (\mathbf X^{\top}\mathbf W\mathbf X)^{-1}'dir; R summary(glm) bir önceki yinelemenin ağırlıklarını kullandığından SH'ler beşinci-altıncı basamakta farklıdır (ör. sabit 0,924346'ya karşı 0,924337).

61.5.2 En yakın komşu eşleştirme (açgözlü)

j^{*}(i)=\arg\min_{j\in\mathcal C_i}\big|\hat e_i-\hat e_j\big|,\qquad \mathcal C_i=\{j:\ T_j\ne T_i,\ \text{uygun},\ |\hat e_i-\hat e_j|\le c\cdot\SS(\hat e)\}
  • Odak grup: ATT'de tedavi, ATC'de kontroller. Odak birimler skora göre büyükten küçüğe (ATT; MatchIt m.order = "largest") ya da küçükten büyüğe (ATC) sırayla eşleşir (nearest_match, 150–201).
  • "Uygun": değiştirmesizde daha önce kullanılmamış; değiştirmelide yalnız aynı odak birime daha önce verilmemiş.
  • c: kaliper (SS birimi); \SS(\hat e) tüm örneklemde skorların SS'si (ddof = 1, 535). c=0 kaliper yok demektir.
  • 1:k'da önce tüm odak birimlere birinci eş, sonra ikinci eş … verilir (MatchIt ile aynı tur sırası).
  • Skor üzerinden açgözlü (greedy) en yakın komşu eşleştirmesi Rosenbaum ve Rubin'in (1985) önerdiği yoldur.

Koddaki tercih: bağ kırma

Kontroller skora göre kararlı (stable) artan sıralanır; aranan değerin altındaki en yakın aday ile üstündeki en yakın aday karşılaştırılır, eşit uzaklıkta alttaki seçilir; skoru tam eşit adaylar "alt" tarafta sayılır. İstisna: değiştirmeli 1:1 ATT'de tam eşit adaylar "üst" tarafta sayılır (MatchIt'in bu yolu; 163–195). Docstring'e göre MatchIt 4.8.1 ile lalonde verisinde 41 skor bağı dahil birebir aynı eşleşmeler alınmıştır.

Eşleştirme ağırlıkları (match_weights, 204–221): eşleşen odak birim w=1; eşleşen her öteki birim, eşleştiği odak birimler üzerinden \sum 1/k_i alır (k_i: o odak birimin eş sayısı); sonra bu ağırlıklar, eşsiz kullanılan birim sayısına toplanacak biçimde ölçeklenir. Eşleşmeyen birimin ağırlığı 0'dır.

61.5.3 Ters olasılık ağırlıklandırma (IPW)

w_i^{\text{ATE}}=\frac{T_i}{\hat e_i}+\frac{1-T_i}{1-\hat e_i},\qquad w_i^{\text{ATT}}=T_i+(1-T_i)\frac{\hat e_i}{1-\hat e_i},\qquad w_i^{\text{ATC}}=T_i\frac{1-\hat e_i}{\hat e_i}+(1-T_i)
  • Stabilize ATE: w_i\times\bar T (tedavide) ya da w_i\times(1-\bar T) (kontrolde); \bar T örneklemde tedavi oranı (ipw_weights, 295–306).
  • ATT ağırlığı kontrolleri tedavi grubunun ortak değişken dağılımına, ATE ağırlığı her iki grubu tüm örneklemin dağılımına taşır.
  • Tüm 725 birim modele girer; ağırlıklar kırpılmaz (trimming yok).

Neden 1/\hat e?

Tedavi alma olasılığı düşük bir tedavi hastası, kendisine benzeyen ama tedavi almamış birçok hastayı "temsil eder". 1/\hat e ağırlığıyla her tedavi hastası, \mathbf x profilindeki tüm nüfusa ölçeklenir; böylece ağırlıklı tedavi grubu ortalaması E[Y(1)]'i yansız kestirir (Horvitz–Thompson mantığı). Bedeli: \hat e sıfıra yaklaştıkça ağırlık patlar; Tıp örneğinde en büyük tedavi ağırlığı 20,27'dir ve tedavi grubunun etkin örneklem büyüklüğü 164'ten 118,1'e düşer.

61.5.4 Tabakalama (marjinal ortalama ağırlıklandırma)

S tabaka sınırı, odak grubun skorlarının tip-7 kantilleridir (ATT: tedavi, ATC: kontrol, ATE: tüm örneklem). Tabaka s'de n_{ts} tedavi ve n_{cs} kontrol birimi varken (ATT):

w_i=\begin{cases}1, & T_i=1\\[2pt] \dfrac{n_{ts}}{n_{cs}}\cdot\dfrac{n_c}{n_t}, & T_i=0\end{cases}\qquad\qquad \text{ATE: } w_i=\frac{n_s}{n_{ts}}\ \text{ya da}\ \frac{n_s}{n_{cs}},\ \text{sonra grup içinde ölçek}
  • Son çarpan, grup içi ağırlık toplamını grup büyüklüğüne eşitleyen ölçektir (MatchIt; subclass_weights, 248–292).
  • Skoru tam bir kesim noktasına eşit olan birim üst tabakaya girer (searchsorted(..., side = "right")).
  • Bu, Hong (2010) "marjinal ortalama ağırlıklandırma"sıdır; tabaka içi farkların ağırlıklı ortalamasıyla aynı kestirimi verir.

Koddaki tercih: kesim noktaları kesirli aritmetikle

np.quantile, p=k/S'yi kayan noktalı sayı olarak kullanır (0{,}6000000000000001 gibi); konum (n-1)p tam sayı olması gerekirken küçük bir kesir kalır ve kesim noktası veri değerinden bir ulp büyük olur; sınırdaki birim alt tabakaya düşer. MerQur konumu tam sayı aritmetiğiyle (h=(n-1)k/S, divmod) hesaplar (_subclass_cutpoints, 224–245). Bu hesap R quantile(type = 7) ve MatchIt ile aynı sınırları verir.

61.5.5 Denge ölçüleri (cobalt bal.tab varsayılanları)

\text{SMD}_j=\frac{\bar x_{t,j}^{w}-\bar x_{c,j}^{w}}{s_j^{*}},\qquad s_j^{*}=\begin{cases}s_{t,j} & \text{ATT}\\ s_{c,j} & \text{ATC}\\ \sqrt{(s_{t,j}^2+s_{c,j}^2)/2} & \text{ATE}\end{cases},\qquad \text{VO}_j=\frac{s_{t,j}^{2,w}}{s_{c,j}^{2,w}}
  • \bar x^{w}: ağırlıklı grup ortalaması (önce: tüm ağırlıklar 1; sonra: yöntemin ağırlıkları, yalnız w>0 birimler).
  • s^{*}: düzeltilmemiş örneklemden SS; "önce" ve "sonra" aynı payda ile karşılaştırılır (balance_table, 323–353).
  • İkili değişkenlerde SMD yerine ham oran farkı yazılır ve VO hesaplanmaz.
  • Ağırlıklı varyans cobalt col_w_sd tanımı: s^{2,w}=\dfrac{\sum w(x-\bar x^w)^2\cdot\sum w}{(\sum w)^2-\sum w^2} (_wvar, 315–320).
  • İlk satır eğilim skorunun kendisidir ("distance").

Neden SMD, neden p-değeri değil?

Denge, örneklemin bir özelliğidir; nüfus hakkında bir hipotez değildir. t-testinin p-değeri örneklem büyüdükçe küçük farkları da anlamlı bulur, eşleştirme örneklemi küçülttükçe büyür; dengeyi değil gücü ölçer. SMD ölçekten bağımsız bir etki büyüklüğüdür; |\text{SMD}|<0{,}1 ölçütü yaygındır (Austin, 2011a; Stuart, 2010). Varyans oranının 0,5–2 aralığında olması önerilir.

Etkin örneklem büyüklüğü: \text{ESS}=(\sum w)^2/\sum w^2 (Kish), her grupta ayrı (_ess, 356–357).

61.5.6 Etki kestirimi ve standart hatalar

\hat\tau=\hat\beta_1\ \text{ in }\ \min_{\boldsymbol\beta}\sum_{i:w_i>0}w_i\big(y_i-\beta_0-\beta_1T_i-\mathbf x_i^{\top}\boldsymbol\beta_x\big)^2
  • Ortak değişken düzeltmesi kapalıyken \boldsymbol\beta_x yoktur ve \hat\tau ağırlıklı ortalama farkıdır: \bar y_t^{w}-\bar y_c^{w} (estimate_effect, 397–429).
  • SH yönteme göre seçilir; t(n-k) ya da z (M-tahmin) ile GA.
Yöntem SH Tanım
Değiştirmesiz eşleştirme Eşleşme kümelerine göre kümelenmiş Sandviç, kümeler = eşleşme çiftleri/grupları; çarpan \frac{G}{G-1}\frac{n-1}{n-k} (R sandwich::vcovCL, HC1).
Değiştirmeli eşleştirme, tabakalama HC3 \hat{\mathbf V}=\mathbf B\big[\sum\mathbf z_i\mathbf z_i^{\top}w_i^2e_i^2/(1-h_i)^2\big]\mathbf B, \mathbf B=(\mathbf Z^{\top}\mathbf W\mathbf Z)^{-1}.
IPW, HC0 HC0 Aynı, (1-h_i)^2 olmadan; ağırlıklar sabit kabul edilir.
IPW, M-kestirim Yığılmış sandviç Skor belirsizliği dahil (aşağıda); z dağılımı.

IPW M-tahmin sandviçi (_ipw_mest_vcov, 362–394; WeightIt lm_weightit(vcov = "asympt") ile aynı). Kestirim denklemleri

\boldsymbol\psi_{1i}=\mathbf x_i(T_i-e_i),\qquad \boldsymbol\psi_{2i}=w_i(\boldsymbol\gamma)\,\mathbf z_i(y_i-\mathbf z_i^{\top}\boldsymbol\beta)

birlikte çözülür; \mathbf A=-\partial\boldsymbol\psi/\partial\boldsymbol\theta^{\top}, \mathbf B=\sum\boldsymbol\psi_i\boldsymbol\psi_i^{\top}, \hat{\mathbf V}=\mathbf A^{-1}\mathbf B\mathbf A^{-\top} ve \boldsymbol\beta bloğu alınır.

\mathbf A=\begin{pmatrix}\sum e_i(1-e_i)\mathbf x_i\mathbf x_i^{\top} & \mathbf 0\\[2pt] -\sum\mathbf z_i\,e^{y}_i\,\dfrac{\partial w_i}{\partial e_i}\,e_i(1-e_i)\,\mathbf x_i^{\top} & \sum w_i\mathbf z_i\mathbf z_i^{\top}\end{pmatrix},\qquad \frac{\partial w_i^{\text{ATE}}}{\partial e_i}=-\frac{T_i}{e_i^2}+\frac{1-T_i}{(1-e_i)^2}
  • e^{y}_i=y_i-\mathbf z_i^{\top}\hat{\boldsymbol\beta}: sonuç modelinin artığı; e_i: eğilim skoru.
  • ATT: \partial w/\partial e=(1-T)/(1-e)^2; ATC: -T/e^2; stabilize ATE'de türev aynı sabitlerle çarpılır.
  • Sol alt blok, skor kestiriminin sonuç denklemine etkisidir; HC0 bu bloğu sıfır sayar.

Neden M-tahmin SH'si HC0'dan küçük?

ATE için kestirilmiş eğilim skorunu kullanmak, gerçek skoru kullanmaktan daha verimlidir: kestirim, örneklemdeki rastlantısal dengesizliği kısmen düzeltir (Lunceford & Davidian, 2004). Ağırlıkları sabit sayan HC0 bu kazancı göremez ve tutucu kalır. Tıp örneğinde M-tahmin SH'si 4,440, HC0 5,847'dir. ATT için yön önceden kesin değildir.

61.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/propensity_score/elle_hesap.py ile, MerQur çağrılmadan hesaplanmıştır: lojistik model \boldsymbol\gamma=\mathbf 0'dan Newton ile tam yakınsamaya kadar; açgözlü eşleştirme bağımsız yazılmış bir arama ile (her adımda uygun adaylar arasında en küçük uzaklık); tabaka sınırları fractions.Fraction ile; SH'ler doğrudan matris formülleriyle.

Adım 1 — Ham karşılaştırma. Sonuç ortalamaları 470,024 m (tedavi) ve 416,742 m (kontrol): ham fark 53,283 m. Yaşın SMD'si (ATT paydası tedavi grubunun SS'si 9,1592): (58{,}2195-62{,}6453)/9{,}1592=-0{,}4832.

Adım 2 — Eğilim modeli. -2\ell: 1005,063412 (=725\times2\ln2) → 728,466727 → 716,697452 → 716,429924 → 716,429713.

Terim \hat\gamma SH z
Sabit −1,3388 0,9243 −1,448
age −0,04765 0,00970 −4,912
female −0,5636 0,2187 −2,577
lvef_pct 0,02951 0,01111 2,657
diabetes −0,4760 0,2073 −2,296
baseline_6mwd_m 0,004815 0,001357 3,549

Skor aralıkları: tedavi [0,0493; 0,6918], kontrol [0,0126; 0,7218]. Ortak destek iyidir; en yüksek tedavi skorunun üstünde de kontrol vardır.

Adım 3 — İlk eşleşmeler (1:1, değiştirmesiz, ATT). En büyük skorlu tedavi hastaları sırayla:

Tedavi (id) \hat e Seçilen kontrol (id) \hat e Uzaklık
613 0,691786 86 0,721774 0,029988
505 0,670741 648 0,636519 0,034222
205 0,663110 158 0,582101 0,081009
338 0,634323 514 0,564556 0,069767
462 0,566182 10 0,563941 0,002241

Üçüncü satırda uzaklık 0,081'e çıkar: yüksek skorlu kontroller ilk iki tedavi hastasına verildiği için sonraki hastalara daha uzak eşler kalır. Açgözlü eşleştirmenin sıraya bağımlılığı budur; kaliper bu tür uzak eşleri engeller.

Adım 4 — Denge (1:1).

Terim SMD önce SMD sonra VO önce VO sonra
eğilim skoru 0,6286 0,0269 1,369 1,103
age −0,4832 0,0286 0,853 0,872
female (oran farkı) −0,1049 −0,0244 — —
lvef_pct 0,2357 0,0133 0,932 0,983
diabetes (oran farkı) −0,1172 −0,0366 — —
baseline_6mwd_m 0,2987 −0,0221 1,122 1,276

Tüm |\text{SMD}|<0{,}1; denge sağlanmıştır.

Adım 5 — ATT ve kümelenmiş SH. Eşleşen 164 kontrolün sonuç ortalaması 438,463 m; ATT =470{,}024-438{,}463=31{,}561 m. 164 küme (çift), n=328, k=2: SH =5{,}1042, t(326)=6{,}183, %95 GA [21,520; 41,602].

Adım 6 — IPW (ATE). Ağırlıklı ortalamalar 455,279 ve 422,576: ATE =32{,}703. En büyük ağırlık tedavide 20,27, kontrolde 3,59; ESS tedavi 118,14, kontrol 542,78. M-tahmin SH 4,4395 (z=7{,}366); HC0 SH 5,8466 (t(723)=5{,}594). Eğilim skorunun SMD'si 0,6757'den 0,0003'e iner.

Adım 7 — Tabakalama (ATT, S=5). Tedavi grubunun skor kantilleri: 0,04933; 0,17239; 0,23949; 0,30586; 0,39056; 0,69179. Tabakalarda (tedavi, kontrol) sayıları: (33, 251), (33, 128), (32, 82), (33, 55), (33, 45). Birinci tabakada kontrol ağırlığı \frac{33}{251}\cdot\frac{561}{164}=0{,}4497. ATT =31{,}836 (HC3 SH 5,0321).

Adım 8 — Yöntemlerin karşılaştırması (veri üreticisinde \tau=35):

Yöntem Kestirim SH %95 GA Etkin kontrol
Ham fark 53,28 — — 561
1:1 değiştirmesiz (ATT) 31,56 5,10 [21,52; 41,60] 164
1:1 + ortak değişken düzeltmesi 31,58 4,50 [22,72; 40,44] 164
1:1 değiştirmeli (ATT) 34,02 6,23 [21,75; 46,29] 105,9 (129 farklı)
1:2 değiştirmesiz (ATT) 33,11 4,63 [24,01; 42,21] 328
1:1 kaliper 0,2 (ATT; 7 tedavi dışlandı) 31,99 5,26 [21,63; 42,34] 157
IPW (ATT) 27,58 4,14 [19,48; 35,69] 339,8
Tabakalama (ATT) 31,84 5,03 [21,96; 41,72] 387,9
IPW (ATE) 32,70 4,44 [24,00; 41,40] 542,8
Tabakalama (ATE) 35,89 5,45 [25,20; 46,58] —
1:1 değiştirmeli (ATC) 33,07 7,82 [17,72; 48,43] 561

Kaliper 0,2 × SS(skor) =0{,}2\times0{,}119886=0{,}023977; yedi tedavi hastası bu uzaklıkta kontrol bulamaz. 1:2 eşleştirmede age dengesi bozulur (|\text{SMD}|=0{,}1035; çıktı ⚠ ile işaretler): ikinci eşler daha uzaktır.

Şekil 61.1. Solda eğilim skorunun tedavi (üstte) ve kontrol (altta, gri: tümü; mor çizgi: eşleşen 164 kontrol) dağılımları. Sağda 1:1 eşleştirme öncesi ve sonrası mutlak SMD (ikili değişkenlerde mutlak oran farkı); kesikli çizgi 0,1 eşiği.

61.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan alınmıştır (motor yuvarlamaz). R 4.5.3: MatchIt 4.8.1 (nearest, subclass; distance = "glm"), WeightIt 2.1.0 (method = "glm", lm_weightit, vcov = "asympt" / "HC0"), cobalt 5.0.0 bal.tab (binary = "raw", continuous = "std"), etki için ağırlıklı lm ve sandwich::vcovCL (HC1) / vcovHC (HC3). Eğilim modeli SH'leri R'de kestirilen olasılıklarla yeniden kurulan bilgi matrisinden alınmıştır (61.5.1).

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Eğilim modeli \gamma Sabit −1,338772 −1,338772 −1,338772 1,2e−09 ✓
Eğilim modeli SH Sabit 0,924346 0,924346 0,924346 2,4e−10 ✓
Eğilim modeli \gamma age −0,047652 −0,047652 −0,047652 5,4e−11 ✓
Eğilim modeli SH age 0,009701 0,009701 0,009701 3,2e−12 ✓
Eğilim modeli \gamma female −0,563566 −0,563566 −0,563566 1,7e−09 ✓
Eğilim modeli SH female 0,218720 0,218720 0,218720 1,1e−10 ✓
Eğilim modeli \gamma lvef_pct 0,029506 0,029506 0,029506 4,0e−11 ✓
Eğilim modeli SH lvef_pct 0,011105 0,011105 0,011105 3,3e−12 ✓
Eğilim modeli \gamma diabetes −0,475974 −0,475974 −0,475974 7,7e−10 ✓
Eğilim modeli SH diabetes 0,207320 0,207320 0,207320 7,8e−11 ✓
Eğilim modeli \gamma baseline_6mwd_m 0,004815 0,004815 0,004815 6,2e−12 ✓
Eğilim modeli SH baseline_6mwd_m 0,001357 0,001357 0,001357 4,2e−13 ✓
En büyük eğilim skoru farkı, R'ye göre (725 birim) 1,5543·10−15 4,3385·10−10 0,000000 4,3e−10 ✓ (mutlak 10⁻⁸)
1:1 değiştirmesiz: kestirim 31,560976 31,560976 31,560976 1,4e−13 ✓
1:1 değiştirmesiz: SH 5,104175 5,104175 5,104175 1,7e−14 ✓
1:1 değiştirmesiz: GA alt 21,519698 21,519698 21,519698 1,1e−12 ✓
1:1 değiştirmesiz: GA üst 41,602253 41,602253 41,602253 8,4e−13 ✓
1:1 değiştirmeli: kestirim 34,024390 34,024390 34,024390 1,0e−12 ✓
1:1 değiştirmeli: SH 6,234443 6,234443 6,234443 8,9e−15 ✓
1:1 değiştirmeli: GA alt 21,754074 21,754074 21,754074 1,3e−12 ✓
1:1 değiştirmeli: GA üst 46,294707 46,294707 46,294707 3,2e−12 ✓
1:2 değiştirmesiz: kestirim 33,112805 33,112805 33,112805 3,1e−13 ✓
1:2 değiştirmesiz: SH 4,632165 4,632165 4,632165 2,8e−14 ✓
1:2 değiştirmesiz: GA alt 24,011447 24,011447 24,011447 2,2e−13 ✓
1:2 değiştirmesiz: GA üst 42,214163 42,214163 42,214163 5,0e−13 ✓
1:1 kaliper 0,2: kestirim 31,987261 31,987261 31,987261 5,0e−14 ✓
1:1 kaliper 0,2: SH 5,261838 5,261838 5,261838 2,1e−14 ✓
1:1 kaliper 0,2: GA alt 21,634088 21,634088 21,634088 1,3e−12 ✓
1:1 kaliper 0,2: GA üst 42,340435 42,340435 42,340435 1,3e−12 ✓
1:1 + ortak değişken düzeltmesi: kestirim 31,579834 31,579834 31,579834 1,4e−13 ✓
1:1 + ortak değişken düzeltmesi: SH 4,504154 4,504154 4,504154 2,0e−14 ✓
1:1 + ortak değişken düzeltmesi: GA alt 22,718443 22,718443 22,718443 8,2e−13 ✓
1:1 + ortak değişken düzeltmesi: GA üst 40,441225 40,441225 40,441225 9,9e−13 ✓
ATC 1:1 değiştirmeli: kestirim 33,074866 33,074866 33,074866 5,0e−13 ✓
ATC 1:1 değiştirmeli: SH 7,822033 7,822033 7,822033 4,8e−14 ✓
ATC 1:1 değiştirmeli: GA alt 17,716985 17,716985 17,716985 6,6e−13 ✓
ATC 1:1 değiştirmeli: GA üst 48,432747 48,432747 48,432747 4,5e−13 ✓
IPW ATE (M-tahmin): kestirim 32,703236 32,703236 32,703236 2,5e−08 ✓
IPW ATE (M-tahmin): SH 4,439502 4,439502 4,439502 5,1e−09 ✓
IPW ATE (M-tahmin): GA alt 24,001971 24,001971 24,001971 3,5e−08 ✓
IPW ATE (M-tahmin): GA üst 41,404501 41,404501 41,404501 1,8e−08 ✓
IPW ATE stabilize: kestirim 32,703236 32,703236 32,703236 2,5e−08 ✓
IPW ATE stabilize: SH 4,439502 4,439502 4,439502 5,1e−09 ✓
IPW ATE stabilize: GA alt 24,001971 24,001971 24,001971 3,5e−08 ✓
IPW ATE stabilize: GA üst 41,404501 41,404501 41,404501 1,8e−08 ✓
IPW ATT (M-tahmin): kestirim 27,584026 27,584026 27,584026 3,7e−08 ✓
IPW ATT (M-tahmin): SH 4,136307 4,136307 4,136307 3,4e−09 ✓
IPW ATT (M-tahmin): GA alt 19,477014 19,477014 19,477014 4,4e−08 ✓
IPW ATT (M-tahmin): GA üst 35,691038 35,691038 35,691038 3,1e−08 ✓
IPW ATE (HC0): kestirim 32,703236 32,703236 32,703236 2,5e−08 ✓
IPW ATE (HC0): SH 5,846587 5,846587 5,846587 3,4e−09 ✓
IPW ATE (HC0): GA alt 21,224921 21,224921 21,224921 3,2e−08 ✓
IPW ATE (HC0): GA üst 44,181551 44,181551 44,181551 1,9e−08 ✓
Tabakalama ATT: kestirim 31,836249 31,836249 31,836249 4,1e−12 ✓
Tabakalama ATT: SH 5,032138 5,032138 5,032138 4,2e−14 ✓
Tabakalama ATT: GA alt 21,956902 21,956902 21,956902 4,0e−12 ✓
Tabakalama ATT: GA üst 41,715597 41,715597 41,715597 4,1e−12 ✓
Tabakalama ATE: kestirim 35,890484 35,890484 35,890484 8,0e−13 ✓
Tabakalama ATE: SH 5,445423 5,445423 5,445423 1,2e−14 ✓
Tabakalama ATE: GA alt 25,199754 25,199754 25,199754 7,0e−13 ✓
Tabakalama ATE: GA üst 46,581215 46,581215 46,581215 8,0e−13 ✓
1:1: %99 GA alt 18,336088 18,336088 18,336088 1,2e−11 ✓
1:1: %99 GA üst 44,785864 44,785864 44,785864 1,2e−11 ✓
1:1: t istatistiği 6,183365 6,183365 6,183365 6,2e−15 ✓
IPW ATE: z istatistiği 7,366419 7,366419 7,366419 1,4e−08 ✓

Ağırlık vektörleri, kaliper, denge ve ESS:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
1:1 değiştirmesiz: ağırlıklar (725 değer) Σw = 328,0000 Σw = 328,0000 Σw = 328,0000 0,0e+00 ✓
1:1 değiştirmeli: ağırlıklar (725 değer) Σw = 293,0000 Σw = 293,0000 Σw = 293,0000 4,4e−15 ✓
1:2 değiştirmesiz: ağırlıklar (725 değer) Σw = 492,0000 Σw = 492,0000 Σw = 492,0000 0,0e+00 ✓
1:1 kaliper 0,2: ağırlıklar (725 değer) Σw = 314,0000 Σw = 314,0000 Σw = 314,0000 0,0e+00 ✓
ATC 1:1 değiştirmeli: ağırlıklar (725 değer) Σw = 691,0000 Σw = 691,0000 Σw = 691,0000 4,9e−15 ✓
IPW ATE (M-tahmin): ağırlıklar (725 değer) Σw = 1448,0436 Σw = 1448,0436 Σw = 1448,0436 5,5e−08 ✓
IPW ATE stabilize: ağırlıklar (725 değer) Σw = 724,9729 Σw = 724,9729 Σw = 724,9729 1,2e−08 ✓
IPW ATT (M-tahmin): ağırlıklar (725 değer) Σw = 328,7588 Σw = 328,7588 Σw = 328,7588 5,5e−09 ✓
Tabakalama ATT: ağırlıklar (725 değer) Σw = 725,0000 Σw = 725,0000 Σw = 725,0000 3,6e−15 ✓
Tabakalama ATE: ağırlıklar (725 değer) Σw = 725,0000 Σw = 725,0000 Σw = 725,0000 3,3e−15 ✓
Kaliper (mutlak, 0,2 × SS(skor)) 0,023977 0,023977 0,023977 2,3e−11 ✓
Kaliperde eşleşmeyen tedavi 7 7 7 0,0e+00 ✓
1:1 değiştirmesiz: SMD sonra eğilim skoru 0,026906 0,026906 0,026906 3,0e−11 ✓ (mutlak 10⁻⁶)
1:1 değiştirmesiz: SMD önce eğilim skoru 0,628582 0,628582 0,628582 1,1e−10 ✓
1:1 değiştirmesiz: VO sonra eğilim skoru 1,102890 1,102890 1,102890 5,9e−11 ✓
1:1 değiştirmesiz: SMD sonra age 0,028627 0,028627 0,028627 2,8e−17 ✓ (mutlak 10⁻⁶)
1:1 değiştirmesiz: VO sonra age 0,871589 0,871589 0,871589 2,2e−16 ✓
1:1 değiştirmesiz: SMD sonra female −0,024390 −0,024390 −0,024390 1,7e−17 ✓ (mutlak 10⁻⁶)
1:1 değiştirmesiz: SMD sonra lvef_pct 0,013333 0,013333 0,013333 3,8e−17 ✓ (mutlak 10⁻⁶)
1:1 değiştirmesiz: VO sonra lvef_pct 0,983149 0,983149 0,983149 4,4e−16 ✓
1:1 değiştirmesiz: SMD sonra diabetes −0,036585 −0,036585 −0,036585 1,4e−17 ✓ (mutlak 10⁻⁶)
1:1 değiştirmesiz: SMD sonra baseline_6mwd_m −0,022069 −0,022069 −0,022069 0,0e+00 ✓ (mutlak 10⁻⁶)
1:1 değiştirmesiz: VO sonra baseline_6mwd_m 1,275943 1,275943 1,275943 4,4e−16 ✓
IPW ATE (M-tahmin): SMD sonra eğilim skoru 0,000344 0,000344 0,000344 1,0e−09 ✓ (mutlak 10⁻⁶)
IPW ATE (M-tahmin): SMD sonra age −0,008370 −0,008370 −0,008370 6,1e−10 ✓ (mutlak 10⁻⁶)
IPW ATE (M-tahmin): SMD sonra baseline_6mwd_m −0,026463 −0,026463 −0,026463 4,6e−10 ✓ (mutlak 10⁻⁶)
Tabakalama ATT: SMD sonra eğilim skoru 0,091922 0,091922 0,091922 4,6e−11 ✓ (mutlak 10⁻⁶)
Tabakalama ATT: SMD sonra age −0,061951 −0,061951 −0,061951 6,9e−18 ✓ (mutlak 10⁻⁶)
Tabakalama ATT: SMD sonra baseline_6mwd_m 0,054823 0,054823 0,054823 7,6e−16 ✓ (mutlak 10⁻⁶)
ATC 1:1 değiştirmeli: SMD sonra eğilim skoru 0,001186 0,001186 0,001186 5,7e−11 ✓ (mutlak 10⁻⁶)
ATC 1:1 değiştirmeli: SMD sonra age −0,126331 −0,126331 −0,126331 7,5e−16 ✓ (mutlak 10⁻⁶)
ATC 1:1 değiştirmeli: SMD sonra baseline_6mwd_m −0,110317 −0,110317 −0,110317 1,4e−17 ✓ (mutlak 10⁻⁶)
IPW ATE: ESS kontrol 542,783599 542,783599 542,783599 5,1e−08 ✓
IPW ATE: ESS tedavi 118,143785 118,143785 118,143785 1,4e−07 ✓

99 büyüklüğün tamamı ölçütü karşılar. Ağırlık satırlarında 725 ağırlığın en büyük farkı verilmiştir; eşleştirme ve tabakalamada ağırlıklar birebir aynıdır (MatchIt ile aynı eşler). IPW ağırlıklarında ve "SMD sonra eğilim skoru" satırında küçük farklar (10^{-8} düzeyi), MerQur/R'nin glm ölçütüyle durması, bağımsız Python'un ise tam yakınsamasından gelir; bu iki satır mutlak 10^{-6} toleransla değerlendirilmiştir.

61.7 Çıktıyı okuma

Sonuç metni (1:1 değiştirmesiz, ATT; kısaltılmış):

EĞİLİM SKORU ANALİZİ
Tedavi                    : cardiac_rehab = 1
Yöntem                    : En yakın komşu eşleştirme 1:1, değiştirmesiz
Kestirilen etki           : ATT (tedavi grubundaki etki)

── Eğilim skoru modeli (lojistik regresyon) ──
  age                 -0.0477     0.0097   -4.912   < .0001   [-0.0667, -0.0286]
  (beş satır çıkarılmıştır)
  Skor aralığı: tedavi [0.0493, 0.6918], kontrol [0.0126, 0.7218]

── Örneklem büyüklükleri ──
                              Kontrol       Tedavi
  Tümü                            561          164
  Eşleşen / kullanılan            164          164
  Eşleşmeyen / dışlanan           397            0
  Etkin örneklem (ESS)         164.00       164.00

── Denge (önce → sonra) ──
  Terim                   Tür   SMD önce  SMD sonra   VO önce  VO sonra
  eğilim skoru        sürekli     0.6286     0.0269     1.369     1.103
  age                 sürekli    -0.4832     0.0286     0.853     0.872
  female                ikili    -0.1049    -0.0244         —         —
  baseline_6mwd_m     sürekli     0.2987    -0.0221     1.122     1.276
  Düzeltme sonrası tüm ortak değişkenler dengeli (|SMD| < 0.1).

── Etki kestirimi: ATT (sonuç: walk_6min_3m_m) ──
  ATT = 31.5610  (SE = 5.1042; Eşleşme kümelerine göre kümelenmiş)
  t(326) = 6.1834, p < .0001
  %95 GA: [21.5197, 41.6023]
Öğe Nasıl yorumlanır
Skor aralığı İki grubun skorları ne kadar örtüşüyor? Bir grubun aralığı ötekinin dışına taşıyorsa o birimler için karşılaştırma yoktur.
Eşleşen / kullanılan Etki modeline giren birim sayısı (w>0). IPW ve tabakalamada tüm birimler.
ESS Ağırlıkların eşitsizliği nedeniyle "gerçek" bilgi miktarı; tümünden çok küçükse aşırı ağırlıklar var.
SMD önce/sonra Denge; ⚠ işareti eşiği (0{,}1) aşan satırlarda. İkili değişkenlerde oran farkı.
VO Varyans oranı; 0,5–2 dışında ise dağılımların biçimi farklı.
ATT/ATE/ATC Dengelenmiş örneklemde ortalama fark (ya da ortak değişkenle düzeltilmiş katsayı).
SH türü Yönteme göre (61.5.6); IPW-M-tahminde z, ötekilerde t(n-k).
APA satırındaki "en büyük |SMD|" Ortak değişkenler (skor hariç) arasında en büyük mutlak değer; ikili değişkenlerin oran farkı da bu enbüyüğe girer ve etiket bunu "(ikili değişkenlerde oran farkı)" diye belirtir.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Kardiyak rehabilitasyonun 3. ay 6 dakika yürüme mesafesine etkisi, yaş, cinsiyet, sol ventrikül ejeksiyon fraksiyonu, diyabet ve başlangıç yürüme mesafesiyle kestirilen lojistik eğilim skoru üzerinden 1:1 değiştirmesiz en yakın komşu eşleştirmesiyle incelendi (164 tedavi, 164 kontrol). Eşleştirme sonrasında tüm ortak değişkenlerde |\text{SMD}| < 0{,}10 idi (eşleştirme öncesi en büyük |\text{SMD}| = 0{,}48). Rehabilitasyona katılanlarda yürüme mesafesi eşleşmiş kontrollerden ortalama 31,6 m daha uzundu (ATT = 31{,}56; eşleşme kümelerine göre kümelenmiş SH = 5{,}10; %95 GA [21,52; 41,60]; t(326) = 6{,}18; p < 0{,}001).

61.8 Uzman soruları

S1. Eşleştirmeli ATT 31,6, IPW ATT 27,6 çıktı. İkisi de ATT değil mi?

Her ikisi de ATT'yi kestirir ama farklı kontrol kümeleriyle: eşleştirme 561 kontrolden en yakın 164'ünü eşit ağırlıkla kullanır; IPW tüm kontrolleri \hat e/(1-\hat e) ile ağırlıklandırır ve eğilim modelinin doğru olmasına daha bağımlıdır. Sonlu örneklemde ve model yanlışken farklı sonuç verirler; ikisinin GA'ları örtüşmektedir. Farkın büyük olması eğilim modelinin belirtimini (etkileşim, kare terim) gözden geçirme işaretidir.

S2. Değiştirmesiz eşleştirmede neden kümelenmiş SH, değiştirmelide HC3?

Değiştirmesiz eşleştirmede eşleşmiş çiftler iyi tanımlı kümelerdir; çift içi korelasyonu hesaba katan kümelenmiş sandviç MatchIt'in önerisidir (vcovCL(cluster = ~subclass)). Değiştirmeli eşleştirmede bir kontrol birden çok çifte girdiği için çift üyeliği tek değildir; MerQur bu durumda kümesiz sağlam (HC3) SH kullanır (kod belgesi, propensity_score.py:41–45). Bu SH, aynı kontrolün yinelenen kullanımından doğan bağımlılığı tam yansıtmaz; Abadie–Imbens tipi SH MerQur'da yoktur.

S3. "Stabilize ağırlıklar" işaretleyince sonuç hiç değişmedi. Hata mı?

Hayır. Stabilizasyon, tedavi grubunun bütün ağırlıklarını \bar T ile, kontrol grubununkileri 1-\bar T ile çarpar. Model yalnız y\sim T ise ağırlıklı ortalamalar grup içi sabit çarpandan etkilenmez; M-tahmin SH'si de değişmez, ESS de. Ortak değişken düzeltmesi açıldığında ağırlıklar artık gruplar arasında farklı ölçeklendiği için kestirim değişir (Tıp örneğinde 33,52'ye karşı 33,32). Stabilizasyonun asıl yararı ağırlıkların ölçeğinin anlamlı olmasıdır (toplam ≈ n) ve kaydedilen ağırlıklarla kurulan başka modellerde (ör. ağırlıklı Cox) varyansı küçültmesidir.

S4. Kaliper neden skorun SS'sine göre, logit'e göre değil?

MerQur kaliperi MatchIt'in distance = "glm" varsayılanı gibi olasılık ölçeğindeki skorun SS'siyle çarpar (propensity_score.py:549). Austin (2011b) 0,2 × SS(logit skor) önerir. İki ölçek kuyruklarda farklı davranır: olasılık ölçeğinde 0,02'lik fark, skor 0,5 civarındayken logitte küçük, 0,05 civarındayken büyüktür. Logit ölçekli kaliper isteyen kullanıcının skoru kaydedip dönüştürmesi gerekir.

S5. Eşleştirmenin sonucu veri sırasına bağlı mı?

Odak birimlerin sırası skora göre belirlenir (ATT: büyükten küçüğe), veri sırasına göre değil; skor bağlarında kararlı sıralama ve MatchIt'in bağ kuralı uygulanır (61.5.2). Yine de açgözlü algoritma genel olarak en iyi eşleşmeyi bulmaz: Adım 3'teki üçüncü hasta, önceki iki hastaya verilen kontroller yüzünden 0,081 uzaklıkta eş almıştır. En iyi (optimal) eşleştirme MerQur'da yoktur (R MatchIt(method = "optimal")).

S6. Tek bir hastanın IPW ağırlığı 20. Bu sorun mu?

Olabilir. Ağırlık 1/\hat e=20{,}27, bu hastanın tedavi alma olasılığının 0,049 kestirildiğini söyler; tek başına tedavi grubunun %2,8'ini temsil eder. ESS 164'ten 118'e düşmüştür. Seçenekler: ATT'ye geçmek (tedavi ağırlıkları 1), kırpma ya da budama (MerQur'da yok; ağırlıklar kaydedilip dışarıda yapılabilir), örtüşme ağırlıkları (ATO; yok) ya da eşleştirme.

S7. SMD paydası neden "önce" örnekleminden?

cobalt varsayılanı budur: payda sabit tutulunca "önce" ve "sonra" SMD'leri yalnız ortalama farkındaki değişimi yansıtır. Sonradan (ağırlıklı) payda kullanılırsa eşleştirmenin varyansı azaltması da SMD'yi değiştirirdi. Payda ATT'de tedavi, ATC'de kontrol grubunun, ATE'de iki grubun ortalama varyansının köküdür.

S8. R `summary(glm)` ile eğilim modeli SH'leri beşinci basamakta farklı.

R summary.glm, son IRLS adımında kullanılan (bir önceki \boldsymbol\mu'ye ait) ağırlıklarla kurulan QR'ı kullanır. MerQur bilgi matrisini son \boldsymbol\mu ile yeniden kurar; bu, ML noktasındaki kovaryansın daha doğru kestirimidir. Katsayılar ve skorlar aynıdır (10^{-15}).

S9. Sınırdaki bir hasta neden alt tabakaya düşmüyor?

Tabaka sınırları tip-7 kantilleridir ve sınıra tam eşit skor üst tabakaya girer (side = "right"). np.quantile kayan nokta hatası yüzünden kesim noktasını veri değerinden bir ulp büyük verebilir ve sınırdaki hasta alt tabakaya düşerdi; MerQur konumu kesirli aritmetikle hesaplar ve MatchIt ile aynı sınırları alır (61.5.4).

61.9 Sık hatalar ve tuzaklar

  • Tedaviden sonra ölçülmüş değişkeni ortak değişken yapmak. Örneğin rehabilitasyon sırasında ölçülen kondisyon tedavinin sonucudur; dengelenmesi etkinin bir kısmını siler.
  • Eğilim modelinin katsayılarını yorumlamak. Eğilim modeli bir tahmin aracıdır; amacı denge kurmaktır. p-değeri anlamsız bir değişkeni modelden çıkarmak dengeyi bozabilir.
  • Dengeyi denetlemeden etkiyi raporlamak. Önce denge tablosu; ⚠ işaretli satır varsa modele etkileşim/kare terim eklenmeli ya da yöntem değiştirilmelidir. 1:2 eşleştirme bu veride age dengesini bozar.
  • ATT ile ATE'yi karıştırmak. Eşleştirme (ATT) "katılanlar için" etkiyi verir; politika sorusu "herkes katılsaydı" ise ATE gerekir (IPW ya da tabakalama).
  • Kaliperle dışlanan tedavi birimlerini unutmak. Kaliperli ATT, artık tüm tedavi grubunun değil, eş bulan 157 hastanın etkisidir; uyarı satırı okunmalıdır.
  • Sonuç değişkeni seçmeden "ortak değişken düzeltmesi"ni işaretlemek. Etki kestirilmez; seçenek sessizce düşmez, ayar bloğuna not yazılır (panel 178–181).
  • Metin kodlu tedavide tedavi grubunu varsaymak. Sıra tanımlanmamışsa verideki ilk görülme sırasına göre ikinci değer tedavi sayılır; başlıktaki "Tedavi: … = …" satırı denetlenmelidir.
  • Eğilim skoru analizini gözlenmeyen karıştırıcıya karşı koruma sanmak. Yorum bölümü bu varsayımı her çıktıda yazar; duyarlılık analizi (Rosenbaum sınırları, E-değeri) MerQur'da bu panelde yoktur.

61.10 Kaynaklar

  • Austin, P. C. (2011a). An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate Behavioral Research, 46(3), 399–424. https://doi.org/10.1080/00273171.2011.568786
  • Austin, P. C. (2011b). Optimal caliper widths for propensity-score matching when estimating differences in means and differences in proportions in observational studies. Pharmaceutical Statistics, 10(2), 150–161. https://doi.org/10.1002/pst.433
  • Austin, P. C., & Stuart, E. A. (2015). Moving towards best practice when using inverse probability of treatment weighting (IPTW) using the propensity score to estimate causal treatment effects in observational studies. Statistics in Medicine, 34(28), 3661–3679. https://doi.org/10.1002/sim.6607
  • Ho, D. E., Imai, K., King, G., & Stuart, E. A. (2007). Matching as nonparametric preprocessing for reducing model dependence in parametric causal inference. Political Analysis, 15(3), 199–236. https://doi.org/10.1093/pan/mpl013
  • Ho, D. E., Imai, K., King, G., & Stuart, E. A. (2011). MatchIt: Nonparametric preprocessing for parametric causal inference. Journal of Statistical Software, 42(8), 1–28. https://doi.org/10.18637/jss.v042.i08
  • Hong, G. (2010). Marginal mean weighting through stratification: Adjustment for selection bias in multilevel data. Journal of Educational and Behavioral Statistics, 35(5), 499–531. https://doi.org/10.3102/1076998609359785
  • Lunceford, J. K., & Davidian, M. (2004). Stratification and weighting via the propensity score in estimation of causal treatment effects: A comparative study. Statistics in Medicine, 23(19), 2937–2960. https://doi.org/10.1002/sim.1903
  • Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. https://doi.org/10.1093/biomet/70.1.41
  • Rosenbaum, P. R., & Rubin, D. B. (1985). Constructing a control group using multivariate matched sampling methods that incorporate the propensity score. The American Statistician, 39(1), 33–38. https://doi.org/10.1080/00031305.1985.10479383
  • Stuart, E. A. (2010). Matching methods for causal inference: A review and a look forward. Statistical Science, 25(1), 1–21. https://doi.org/10.1214/09-STS313