مطابقة درجات الميل
- قدّمه
- Paul Rosenbaum and Donald Rubin
- السنة
- 1983
- النوع
- Method
- العائلة
- causal-inference
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
مطابقة درجات الميل (PSM) هي طريقة لتقليل تحيز الإرباك في الدراسات الرصدية عن طريق موازنة الخصائص الأساسية بين مجموعات العلاج، محاكيةً العشوائية. طوّرها روزنباوم وروبين (1983)، وهي تقدّر احتمالية تلقي العلاج بناءً على المتغيرات المشتركة الملاحظة، ثم تطابق أو ترجّح الأفراد المعالجين والمتحكم بهم الذين لديهم احتمالات علاج مماثلة. تُستخدم على نطاق واسع في الطب وعلم الأوبئة وتقييم السياسات عندما تكون التجارب العشوائية غير ممكنة أو غير أخلاقية، مما يتيح تقدير تأثيرات العلاج مع التحكم في تحيز الاختيار.
الفكرة الحدسية وراء الطريقة
توازن التجارب العشوائية الخصائص الأساسية تلقائيًا، مما يتيح الاستدلال السببي. تفتقر الدراسات الرصدية إلى العشوائية؛ وغالبًا ما يختلف الأفراد المعالجون بشكل منهجي عن غير المعالجين (تحيز الاختيار). تؤدي مقارنة النتائج بين مجموعات العلاج إلى إرباك تأثيرات العلاج مع الاختلافات الموجودة مسبقًا. تقدّر مطابقة درجات الميل (PSM) احتمالية تلقي كل شخص للعلاج بناءً على خصائصه الأساسية. من خلال مطابقة الأفراد المعالجين وغير المعالجين الذين لديهم درجات ميل (احتمالات علاج) مماثلة، تنشئ PSM مجموعتين قابلتين للمقارنة في الأساس، محاكيةً العشوائية. هذا يزيل تحيز الإرباك للمتغيرات المشتركة المقاسة، مما يسمح بالاستدلال السببي الصحيح. الافتراض الرئيسي: الاستقلالية الشرطية—بمعلومية المتغيرات المشتركة الملاحظة، يكون تعيين العلاج عشوائيًا (لا يوجد إرباك غير مقاس).
التاريخ
ورقة بول روزنباوم ودونالد روبين التأسيسية لعام 1983 وحدت المطابقة والاستدلال السببي عبر إطار النتائج المحتملة (روبين، 1974). أثبتا أن مطابقة درجات الميل تحقق توازن المتغيرات المشتركة، مما يقلل التحيز. تقدم عمل بيتر أوستن (عقد 2010) تشخيصات التوازن وطرق الترجيح. تشمل التوسعات الحديثة: درجة الميل المعممة للعلاجات المستمرة (هيرانو وإيمبينس، 2004)، طرق مزدوجة القوة تجمع بين نماذج الميل والنتائج (فان دير لان وروبينز، 2003)، تقدير الاحتمالية القصوى المستهدفة (TMLE؛ فان دير لان وروز، 2011).
متى تُستخدم
استخدم مطابقة درجات الميل عند إجراء الدراسات الرصدية وعدم القدرة على العشوائية، ولكن يتم قياس جميع المتغيرات المربكة. البحث الطبي: تقييم فعالية العلاج (الجراحة مقابل الرعاية التحفظية) بمقارنة النتائج للمرضى المعالجين/غير المعالجين المطابقين الذين لديهم مخاطر أساسية مماثلة. تقييم السياسات: تقييم تأثير البرنامج (مثل التدريب المهني على التوظيف) بمقارنة المشاركين وغير المشاركين المطابقين. علم الأوبئة: تقدير مخاطر المرض المرتبطة بالتعرض مع التحكم في الخصائص الأساسية. المتطلب المسبق: يجب جمع بيانات أساسية كافية عن المتغيرات المربكة قبل تعيين العلاج؛ يظل الإرباك غير المقاس (مثل شدة المرض غير المقاسة) تهديدًا.
الحدود والاعتبارات
- افتراض الاستقلالية الشرطية: صالح فقط إذا تم قياس جميع المتغيرات المربكة ذات الصلة. يظل الإرباك غير المقاس (مثل شدة المرض غير المقاسة، تفضيل المريض) تهديدًا؛ لا يمكن لـ PSM اكتشافه أو تصحيحه.
- عدم الكفاءة: تقلل المطابقة حجم العينة (يتم التخلص من الأفراد غير المطابقين)؛ التحليلات المطابقة أقل قوة إحصائية من الانحدار غير المطابق.
- التداخل المحدود: إذا كان لدى المجموعات المعالجة وغير المعالجة توزيعات متغيرة مشتركة مختلفة جدًا، تكون منطقة التداخل صغيرة؛ تقتصر التقديرات على منطقة التداخل فقط.
- الاعتماد على النموذج: تعتمد تقديرات درجات الميل على التحديد الصحيح للانحدار اللوجستي؛ يؤدي سوء التحديد (التفاعلات المحذوفة، العلاقات غير الخطية) إلى توازن ضعيف.
- فقدان المعلومات: تتجاهل المطابقة الفردية الأفراد غير المطابقين الذين قد يكونون معلوماتيين؛ المطابقة من متعدد إلى واحد أو الترجيح يحتفظ بجميع البيانات.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يقلل تحيز الإرباك: من خلال إنشاء مجموعات متوازنة على المتغيرات المربكة المقاسة، تحاكي PSM العشوائية لتلك المتغيرات، مما يتيح الاستدلال السببي.
- قابل للتفسير: درجة الميل هي قيمة عددية واحدة تجمع العديد من المتغيرات المشتركة؛ شفافية كيفية تحقيق توازن المتغيرات المشتركة.
- مرن: يعمل مع العلاجات الثنائية أو المتعددة؛ يمتد إلى العلاجات المستمرة (درجة الميل المعممة).
- تشخيصي: يوفر تقييم توازن المتغيرات المشتركة (SMD، رسوم بيانية الحب) دليلًا واضحًا على تقليل التحيز؛ عدم التوازن مرئي قبل تحليل النتائج.
- مزدوج القوة: عند دمجه مع انحدار النتائج، يكون المقدر متسقًا إذا كان نموذج الميل أو نموذج النتائج صحيحًا (مرونة في سوء التحديد).
التطبيقات
- أبحاث الفعالية المقارنة: تقييم نتائج العلاج (الدواء أ مقابل ب، الإدارة الجراحية مقابل الطبية) في السجلات الصحية الإلكترونية دون عشوائية تجريبية.
- تقييم السياسات: تقييم تأثير البرنامج (التدريب الوظيفي، التدخلات المدرسية) على النتائج (التوظيف، الأرباح) بمقارنة المشاركين في البرنامج مع غير المشاركين المطابقين.
- الدراسات الوبائية الجماعية: تقدير مخاطر المرض من التعرضات (التدخين، النظام الغذائي) في البيانات الرصدية مع التعديل للمتغيرات المربكة الديموغرافية ونمط الحياة.
- دراسات الأثر الاقتصادي: تقييم آثار التغييرات التنظيمية، السياسات الضريبية، أو إصلاحات الرعاية الصحية على النتائج الفردية؛ موازنة الحالات المعالجة والمتحكم بها.
- فعالية اللقاح: مقارنة النتائج (معدلات الإصابة، شدة المرض) في الملقحين مقابل غير الملقحين المطابقين على عوامل الخطر الأساسية عندما تكون التجارب العشوائية غير ممكنة.
كيف يعمل
كيف يعمل
تُجرى مطابقة درجات الميل عن طريق: (1) تحديد النتيجة محل الاهتمام، ومتغير العلاج (ثنائي أو متعدد)، وجميع المتغيرات المربكة ذات الصلة (الخصائص الأساسية التي تؤثر على كل من العلاج والنتيجة)، (2) جمع بيانات المتغيرات المشتركة لجميع المشاركين، (3) التحقق من افتراض التداخل: يجب أن يكون لمجموعات العلاج والتحكم نطاقات متداخلة من درجات الميل؛ يشير عدم التداخل إلى عدم قابلية المقارنة الأساسية، (4) تحديد العينة: نية العلاج (تحليل في المجموعات الأصلية) أو حسب البروتوكول (تحليل العينة المطابقة؛ تتطلب ادعاءات السببية الحذر). ضمان حجم عينة كافٍ: تقلل PSM حجم العينة الفعال عن طريق المطابقة، لذا ابدأ بحجم N أكبر من التجربة العشوائية المضبوطة المكافئة.
تقدير درجات الميل: استخدم الانحدار اللوجستي للتنبؤ باحتمالية تعيين العلاج بناءً على جميع المتغيرات المشتركة المقاسة. p_i = P(Treatment=1 | Covariates). درجة الميل هي قيمة عددية (0-1) تجمع عدة متغيرات مشتركة في بُعد واحد. ثم، طابق المعالجين (الدرجة p) مع غير المعالجين (الدرجة q) إذا كان |p − q| < هامش التطابق (التسامح، عادةً 0.1 × الانحراف المعياري لدرجة الميل اللوجستية)؛ تشمل الأساليب الشائعة: مطابقة أقرب جار 1:1، أقرب جار 1:m، أو مطابقة هامش التطابق. بديل للمطابقة: ترجيح درجات الميل (ترجيح الاحتمالية العكسية للعلاج، IPTW). ترجيح الأفراد المعالجين بـ 1/p_i (زيادة ترجيح المعالجين الممثلين تمثيلاً ناقصًا) والضوابط بـ 1/(1−p_i)؛ ينتج عن ذلك مجموعة سكانية زائفة يكون فيها العلاج مستقلاً عن المتغيرات المشتركة. تحقق من توازن المتغيرات المشتركة: يجب أن يكون فرق المتوسط المعياري (SMD) في المتغيرات المشتركة بين المجموعات < 0.1 (مثاليًا < 0.05) بعد المطابقة؛ إذا لم يكن كذلك، قم بزيادة هامش التطابق أو تضمين المزيد من المتغيرات المشتركة في نموذج الميل. أبلغ عن التوازن قبل/بعد عبر رسوم بيانية لـ SMD.
بعد المطابقة أو الترجيح، قارن النتائج بين مجموعات العلاج باستخدام الطرق القياسية (اختبار t، الانحدار، تحليل البقاء) على العينة المطابقة/المرجحة. متوسط تأثير العلاج على المعالجين (ATT) هو فرق النتيجة في العينة المطابقة؛ إذا كانت المطابقة ناجحة (تم تحقيق التوازن الأساسي)، فإن هذا الفرق لا يتأثر بالمتغيرات المشتركة المقاسة. أبلغ عن: (1) توازن المتغيرات المشتركة قبل وبعد المطابقة (جداول أو رسوم بيانية لـ SMD)، (2) عدد الأزواج المطابقة/غير المطابقة، (3) تأثير العلاج (الفرق في النتائج)، (4) فترات الثقة وقيم p، (5) تحليل الحساسية للإرباك غير المقاس (مثل حدود روزنباوم). افحص الدعم المشترك: نسبة المعالجين الذين لديهم درجات ميل أعلى من الحد الأدنى لدرجة غير المعالجين وأقل من الحد الأقصى لدرجة غير المعالجين؛ التداخل الضعيف يبطل التقديرات. استخدم تعديل الانحدار على العينة المطابقة كتحكم إضافي في الإرباك (تقدير مزدوج القوة).
الأخطاء الشائعة
- المطابقة على النتيجة: تحيز التقديرات نحو الصفر (يقلل القوة). يجب أن يتضمن نمذجة درجات الميل المتغيرات المربكة (المتغيرات التي تتنبأ بكل من العلاج والنتيجة)، وليس الوسيطات أو النتائج.
- الفشل في التحقق من التداخل: المضي قدمًا في المطابقة عندما لا تتداخل توزيعات الميل للمعالجين/المتحكم بهم. تحقق دائمًا من الدعم المشترك وأبلغ عنه؛ التقديرات خارج التداخل هي استقراءات غير موثوقة.
- تجاهل توازن المتغيرات المشتركة: افتراض أن المطابقة نجحت دون فحص فروق المتوسطات المعيارية. أبلغ دائمًا عن تشخيصات التوازن (رسوم بيانية SMD، رسوم بيانية الحب)؛ يشير عدم التوازن إلى الحاجة إلى نهج بديل.
- تحليل العينة الكاملة بدلاً من العينة المطابقة: إذا قمت بالمطابقة ثم قمت بتحليل جميع البيانات الأصلية، فإنك تتجاهل المطابقة (يهزم الغرض). قم بتحليل العينة المطابقة فقط، أو استخدم الترجيح على العينة الكاملة.
- التلاعب بقيم p باستخدام نماذج ميل متعددة: ملاءمة نماذج ميل مختلفة واختيار النموذج الذي ينتج أفضل توازن أو أقوى تأثير علاجي. حدد نموذج الميل مسبقًا بناءً على النظرية؛ استخدم التحقق المتقاطع.
- ادعاءات السببية بدون أسبقية زمنية: تقلل درجة الميل الإرباك بواسطة المتغيرات المشتركة المقاسة، لكن السببية تتطلب العلاج قبل النتيجة. لا يزال السببية العكسية تهدد الصلاحية.
الأسئلة الشائعة
ما هي درجة الميل، ولماذا تنجح المطابقة عليها؟
درجة الميل هي احتمالية تلقي العلاج بناءً على المتغيرات المشتركة الملاحظة، ويتم تقديرها عبر الانحدار اللوجستي: P(T=1|Covariates). يمتلك فردان لهما نفس درجة الميل خصائص أساسية متشابهة (في التوقع) حتى لو تم علاجهما بشكل مختلف. تنشئ المطابقة على درجات الميل مجموعات قابلة للمقارنة: في العينة المطابقة، تكون حالة العلاج مستقلة عن المتغيرات المشتركة (تم تحقيق الاستقلالية الشرطية). هذا يعادل إجراء العشوائية في الأساس، مما يتيح الاستدلال السببي. درجة الميل هي قيمة عددية (رقم واحد لكل شخص)، مما يقلل المطابقة من أبعاد متعددة إلى بُعد واحد (تم حل لعنة الأبعاد).
ما الفرق بين مطابقة درجات الميل وترجيح الاحتمالية العكسية للعلاج (IPTW)؟
مطابقة درجات الميل: تقرن الأفراد المعالجين بأفراد غير معالجين لديهم درجات ميل متشابهة؛ تحلل فقط الأزواج المطابقة، وتتجاهل الأفراد غير المطابقين. ترجيح الاحتمالية العكسية للعلاج (IPTW): ترجح جميع الأفراد بدرجات الميل العكسية (ترجح المعالجين بـ 1/p، والضوابط بـ 1/(1−p))، مما ينشئ مجموعة سكانية زائفة يكون فيها العلاج مستقلاً عن المتغيرات المشتركة. يحتفظ IPTW بجميع البيانات، مما يحسن الكفاءة والقوة. كلاهما يحقق توازن المتغيرات المشتركة؛ IPTW أكثر كفاءة إحصائيًا. المفاضلة: يمكن أن ينتج IPTW أوزانًا قصوى إذا كان لدى بعض الأفراد درجات ميل عالية جدًا أو منخفضة جدًا، مما يزيد التباين؛ تتجنب المطابقة ذلك ولكنها تفقد البيانات.
كيف أقوم بتقييم توازن المتغيرات المشتركة، وما هو المقبول؟
احسب فرق المتوسط المعياري (SMD) لكل متغير مشترك: SMD = (mean_treated − mean_control) / pooled SD. يعتبر SMD < 0.10 مقبولًا بشكل عام على أنه 'متوازن'؛ < 0.05 ممتاز. ارسم رسومًا بيانية لـ SMDs قبل وبعد المطابقة (رسم بياني الحب): يظهر التوازن قبل/بعد بلمحة. احسب SMD لجميع المتغيرات المربكة؛ إذا ظل أي منها غير متوازن (SMD > 0.10) بعد المطابقة، ففكر في: توسيع الكليبر (مطابقة أكثر مرونة)، تضمين التفاعلات في نموذج الميل، أو استخدام طرق بديلة (الطبقات، تعديل الانحدار). لا تحكم أبدًا على التوازن بقيم p (تعتمد قيم p على حجم العينة)؛ افحص دائمًا SMD رقميًا وبيانيًا.
هل يمكن لمطابقة درجات الميل معالجة الإرباك غير المقاس؟
لا. تقلل PSM التحيز من المتغيرات المربكة المقاسة (تلك التي جمعت بيانات عنها). تظل المتغيرات المربكة غير المقاسة (مثل دافع المريض، شدة المرض غير المقاسة، آليات الاختيار الخفية) غير متحكم بها. قم بإجراء تحليل حساسية لتقييم مدى حساسية الاستنتاجات للإرباك غير المقاس (حدود روزنباوم: ما مدى قوة المتغير المربك غير المقاس لتغيير الاستنتاجات). ناقش دائمًا قيود الإرباك غير المقاس. فكر في المتغيرات الآلية أو التجارب الطبيعية إذا كان الإرباك غير المقاس مصدر قلق كبير.
طرق ذات صلة
المصادر
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.
افتح مرجع DOIتم النسخ.Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.
افتح مرجع DOIتم النسخ.Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
افتح مرجع DOIتم النسخ.