Pencocokan Skor Propensitas
- Diperkenalkan oleh
- Paul Rosenbaum and Donald Rubin
- Tahun
- 1983
- Jenis
- Method
- Keluarga
- causal-inference
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pencocokan skor propensitas (PSM) adalah metode untuk mengurangi bias perancu dalam studi observasional dengan menyeimbangkan karakteristik dasar antara kelompok perlakuan, mensimulasikan randomisasi.
Dikembangkan oleh Rosenbaum dan Rubin (1983), metode ini memperkirakan probabilitas menerima perlakuan berdasarkan kovariat yang teramati, kemudian mencocokkan atau memberi bobot individu yang mendapat perlakuan dan kontrol dengan probabilitas perlakuan yang serupa. Digunakan secara luas dalam kedokteran, epidemiologi, dan evaluasi kebijakan ketika uji coba acak tidak memungkinkan atau tidak etis, memungkinkan estimasi efek perlakuan sambil mengendalikan bias seleksi.
Intuisi di balik metode
Uji coba acak menyeimbangkan karakteristik dasar secara otomatis, memungkinkan inferensi kausal. Studi observasional tidak memiliki randomisasi; individu yang mendapat perlakuan sering kali berbeda secara sistematis dari yang tidak mendapat perlakuan (bias seleksi). Membandingkan hasil antara kelompok perlakuan mencampurkan efek perlakuan dengan perbedaan yang sudah ada sebelumnya. Pencocokan skor propensitas (PSM) memperkirakan probabilitas bahwa setiap orang menerima perlakuan berdasarkan karakteristik dasarnya. Dengan mencocokkan individu yang mendapat perlakuan dan yang tidak mendapat perlakuan dengan skor propensitas yang serupa (probabilitas perlakuan), PSM menciptakan dua kelompok yang sebanding pada dasar, meniru randomisasi. Ini menghilangkan bias perancu untuk kovariat yang terukur, memungkinkan inferensi kausal yang valid. Asumsi kunci: independensi bersyarat—mengingat kovariat yang teramati, penetapan perlakuan bersifat acak (tidak ada perancu yang tidak terukur).
Sejarah
Makalah dasar Paul Rosenbaum dan Donald Rubin tahun 1983 menyatukan pencocokan dan inferensi kausal melalui kerangka hasil potensial (Rubin, 1974). Mereka membuktikan pencocokan skor propensitas mencapai keseimbangan kovariat, mengurangi bias. Karya Peter Austin (2010-an) memajukan diagnostik keseimbangan dan metode pembobotan. Perluasan modern meliputi: skor propensitas umum untuk perlakuan kontinu (Hirano & Imbens, 2004), metode kuat ganda yang menggabungkan model propensitas dan hasil (van der Laan & Robins, 2003), estimasi kemungkinan maksimum tertarget (TMLE; van der Laan & Rose, 2011).
Kapan digunakan
Gunakan pencocokan skor propensitas ketika melakukan studi observasional dan tidak dapat melakukan randomisasi, tetapi semua perancu terukur. Penelitian medis: mengevaluasi efektivitas perlakuan (pembedahan vs perawatan konservatif) membandingkan hasil untuk pasien yang diobati/tidak diobati yang dicocokkan dengan risiko dasar yang serupa. Evaluasi kebijakan: menilai dampak program (misalnya, pelatihan kejuruan terhadap pekerjaan) membandingkan partisipan dan non-partisipan yang dicocokkan. Epidemiologi: memperkirakan risiko penyakit yang terkait dengan paparan sambil mengendalikan karakteristik dasar. Prasyarat: harus telah mengumpulkan data dasar yang cukup tentang perancu sebelum penetapan perlakuan; perancu yang tidak terukur (misalnya, keparahan penyakit yang tidak terukur) tetap menjadi ancaman.
Batasan dan pertimbangan
- Asumsi independensi bersyarat: valid hanya jika semua perancu yang relevan terukur. Perancu yang tidak terukur (misalnya, motivasi pasien, keparahan penyakit yang tidak terukur, mekanisme seleksi tersembunyi) tetap menjadi ancaman; PSM tidak dapat mendeteksi atau memperbaikinya.
- Inefisiensi: pencocokan mengurangi ukuran sampel (individu yang tidak dicocokkan dibuang); analisis yang dicocokkan kurang kuat secara statistik daripada regresi yang tidak dicocokkan.
- Tumpang tindih terbatas: jika populasi yang diobati dan tidak diobati memiliki distribusi kovariat yang sangat berbeda, wilayah tumpang tindih kecil; estimasi terbatas pada wilayah tumpang tindih saja.
- Ketergantungan model: estimasi skor propensitas bergantung pada spesifikasi regresi logistik yang benar; kesalahan spesifikasi (interaksi yang dihilangkan, hubungan nonlinier) menghasilkan keseimbangan yang buruk.
- Kehilangan informasi: pencocokan satu-ke-satu membuang individu yang tidak dicocokkan yang berpotensi informatif; pencocokan banyak-ke-satu atau pembobotan mempertahankan semua data.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mengurangi bias perancu: dengan menciptakan kelompok yang seimbang pada perancu yang terukur, PSM meniru randomisasi untuk variabel-variabel tersebut, memungkinkan inferensi kausal.
- Dapat diinterpretasikan: skor propensitas adalah skalar tunggal yang merangkum banyak kovariat; transparan bagaimana keseimbangan kovariat dicapai.
- Fleksibel: bekerja dengan perlakuan biner atau ganda; meluas ke perlakuan kontinu (skor propensitas umum).
- Diagnostik: penilaian keseimbangan kovariat (SMD, plot cinta) memberikan bukti jelas pengurangan bias; ketidakseimbangan terlihat sebelum analisis hasil.
- Kuat ganda: ketika dikombinasikan dengan regresi hasil, estimator konsisten jika model propensitas atau model hasil benar (ketahanan terhadap kesalahan spesifikasi).
Penerapan
- Penelitian efektivitas komparatif: mengevaluasi hasil perlakuan (obat A vs B, manajemen bedah vs medis) dalam catatan kesehatan elektronik tanpa randomisasi eksperimental.
- Evaluasi kebijakan: menilai dampak program (pelatihan kerja, intervensi sekolah) terhadap hasil (pekerjaan, pendapatan) membandingkan partisipan program dengan non-partisipan yang dicocokkan.
- Studi kohort epidemiologi: memperkirakan risiko penyakit dari paparan (merokok, diet) dalam data observasional sambil menyesuaikan untuk perancu demografis dan gaya hidup.
- Studi dampak ekonomi: mengevaluasi efek perubahan peraturan, kebijakan pajak, atau reformasi perawatan kesehatan terhadap hasil individu; menyeimbangkan negara bagian yang diobati dan kontrol.
- Efektivitas vaksin: membandingkan hasil (tingkat infeksi, keparahan penyakit) pada individu yang divaksinasi vs tidak divaksinasi yang dicocokkan dengan faktor risiko dasar ketika RCT tidak memungkinkan.
Cara kerjanya
Cara kerjanya
Lakukan pencocokan skor propensitas dengan: (1) mengidentifikasi hasil yang diminati, variabel perlakuan (biner atau ganda), dan semua perancu yang relevan (karakteristik dasar yang memengaruhi perlakuan dan hasil), (2) mengumpulkan data kovariat pada semua partisipan, (3) memeriksa asumsi tumpang tindih: kelompok perlakuan dan kontrol harus memiliki rentang skor propensitas yang tumpang tindih; kurangnya tumpang tindih menunjukkan ketidaksebandingan mendasar, (4) mendefinisikan sampel: intention-to-treat (analisis dalam kelompok asli) atau per-protocol (analisis sampel yang dicocokkan; klaim kausalitas memerlukan kehati-hatian). Pastikan ukuran sampel yang memadai: PSM mengurangi ukuran sampel efektif melalui pencocokan, jadi mulailah dengan N yang lebih besar daripada RCT yang setara.
Perkirakan skor propensitas: gunakan regresi logistik untuk memprediksi probabilitas penetapan perlakuan berdasarkan semua kovariat yang terukur. p_i = P(Perlakuan=1 | Kovariat). Skor propensitas adalah skalar (0–1) yang merangkum banyak kovariat ke dalam satu dimensi. Kemudian, cocokkan individu yang mendapat perlakuan (skor p) dengan yang tidak mendapat perlakuan (skor q) jika |p − q| < kaliber (toleransi, biasanya 0,1 × SD dari skor propensitas logit); pendekatan umum: pencocokan tetangga terdekat 1:1, tetangga terdekat 1:m, atau pencocokan kaliber. Alternatif untuk pencocokan: pembobotan skor propensitas (pembobotan probabilitas perlakuan terbalik, IPTW). Bobot individu yang mendapat perlakuan dengan 1/p_i (memberi bobot lebih pada yang kurang terwakili) dan kontrol dengan 1/(1−p_i); menghasilkan populasi semu di mana perlakuan independen dari kovariat. Periksa keseimbangan kovariat: perbedaan rata-rata standar (SMD) dalam kovariat antara kelompok harus < 0,1 (ideal < 0,05) pasca-pencocokan; jika tidak, tingkatkan kaliber atau sertakan lebih banyak kovariat dalam model propensitas. Laporkan keseimbangan sebelum/sesudah melalui plot SMD.
Setelah pencocokan atau pembobotan, bandingkan hasil antara kelompok perlakuan menggunakan metode standar (uji-t, regresi, analisis kelangsungan hidup) pada sampel yang dicocokkan/dibobot. Efek perlakuan rata-rata pada yang diobati (ATT) adalah perbedaan hasil dalam sampel yang dicocokkan; jika pencocokan berhasil (keseimbangan dasar tercapai), perbedaan ini tidak terperancu oleh kovariat yang terukur. Laporkan: (1) keseimbangan kovariat sebelum dan sesudah pencocokan (tabel atau plot SMD), (2) jumlah pasangan yang dicocokkan/tidak dicocokkan, (3) efek perlakuan (perbedaan hasil), (4) interval kepercayaan dan nilai-p, (5) analisis sensitivitas terhadap perancu yang tidak terukur (misalnya, batas Rosenbaum). Periksa dukungan umum: proporsi individu yang mendapat perlakuan dengan skor propensitas di atas skor minimum yang tidak mendapat perlakuan dan di bawah skor maksimum yang tidak mendapat perlakuan; tumpang tindih yang buruk membatalkan estimasi. Gunakan penyesuaian regresi pada sampel yang dicocokkan sebagai kontrol perancu tambahan (estimasi yang kuat ganda).
Kesalahan umum
- Pencocokan pada hasil: mendistorsi estimasi ke arah nol (mengurangi kekuatan). Pemodelan skor propensitas harus mencakup perancu (variabel yang memprediksi perlakuan dan hasil), bukan mediator atau konsekuensi.
- Kegagalan memeriksa tumpang tindih: melanjutkan pencocokan ketika distribusi propensitas yang diobati/kontrol tidak tumpang tindih. Selalu periksa dan laporkan dukungan umum; estimasi di luar tumpang tindih tidak dapat diandalkan sebagai ekstrapolasi.
- Mengabaikan keseimbangan kovariat: mengasumsikan pencocokan berhasil tanpa memeriksa perbedaan rata-rata standar. Selalu laporkan diagnostik keseimbangan (plot SMD, plot cinta); ketidakseimbangan menunjukkan perlunya pendekatan alternatif.
- Menganalisis sampel penuh alih-alih sampel yang dicocokkan: jika Anda mencocokkan lalu menganalisis semua data asli, Anda mengabaikan pencocokan (mengalahkan tujuannya). Analisis hanya sampel yang dicocokkan, atau gunakan pembobotan pada sampel penuh.
- P-hacking dengan beberapa model propensitas: menyesuaikan model propensitas yang berbeda dan memilih yang menghasilkan keseimbangan terbaik atau efek perlakuan terkuat. Tentukan model propensitas sebelumnya berdasarkan teori; gunakan validasi silang.
- Klaim kausal tanpa urutan temporal: skor propensitas mengurangi perancuan oleh kovariat yang terukur, tetapi kausalitas memerlukan perlakuan sebelum hasil. Kausalitas terbalik masih mengancam validitas.
Pertanyaan yang sering diajukan
Apa itu skor propensitas, dan mengapa mencocokkannya berhasil?
Skor propensitas adalah probabilitas menerima perlakuan berdasarkan kovariat yang teramati, diperkirakan melalui regresi logistik: P(T=1|Kovariat). Dua individu dengan skor propensitas yang sama memiliki karakteristik dasar yang serupa (secara ekspektasi) meskipun diperlakukan secara berbeda. Pencocokan pada skor propensitas menciptakan kelompok yang sebanding: dalam sampel yang dicocokkan, status perlakuan independen dari kovariat (independensi bersyarat tercapai). Ini setara dengan melakukan randomisasi pada dasar, memungkinkan inferensi kausal. Skor propensitas adalah skalar (satu angka per orang), mengurangi pencocokan dari banyak dimensi menjadi satu (kutukan dimensionalitas teratasi).
Apa perbedaan antara pencocokan skor propensitas dan pembobotan probabilitas perlakuan terbalik (IPTW)?
Pencocokan skor propensitas: memasangkan individu yang diobati dengan individu yang tidak diobati yang memiliki skor propensitas serupa; menganalisis hanya pasangan yang dicocokkan, membuang individu yang tidak dicocokkan. IPTW (pembobotan probabilitas perlakuan terbalik): memberi bobot pada semua individu dengan skor propensitas terbalik (bobot individu yang diobati dengan 1/p, kontrol dengan 1/(1−p)), menciptakan populasi semu di mana perlakuan independen dari kovariat. IPTW mempertahankan semua data, meningkatkan efisiensi dan kekuatan. Keduanya mencapai keseimbangan kovariat; IPTW lebih efisien secara statistik. Pertukaran: IPTW dapat menghasilkan bobot ekstrem jika beberapa individu memiliki skor propensitas yang sangat tinggi atau sangat rendah, meningkatkan varians; pencocokan menghindari ini tetapi kehilangan data.
Bagaimana cara menilai keseimbangan kovariat, dan apa yang dapat diterima?
Hitung perbedaan rata-rata standar (SMD) untuk setiap kovariat: SMD = (rata-rata_diobati − rata-rata_kontrol) / SD gabungan. SMD < 0,10 umumnya diterima sebagai 'seimbang'; < 0,05 sangat baik. Plot SMD sebelum dan sesudah pencocokan (plot cinta): keseimbangan sebelum/sesudah terlihat sekilas. Hitung SMD untuk semua perancu; jika ada yang tetap tidak seimbang (SMD > 0,10) setelah pencocokan, pertimbangkan: memperluas kaliber (mencocokkan lebih longgar), memasukkan interaksi dalam model propensitas, atau menggunakan metode alternatif (stratifikasi, penyesuaian regresi). Jangan pernah menilai keseimbangan berdasarkan nilai-p (nilai-p bergantung pada ukuran sampel); selalu periksa SMD secara numerik dan grafis.
Dapatkah pencocokan skor propensitas mengatasi perancu yang tidak terukur?
Tidak. PSM mengurangi bias dari perancu yang terukur (yang datanya telah Anda kumpulkan). Perancu yang tidak terukur (misalnya, motivasi pasien, keparahan penyakit yang tidak terukur, mekanisme seleksi tersembunyi) tetap tidak terkontrol. Lakukan analisis sensitivitas untuk menilai seberapa sensitif kesimpulan terhadap perancu yang tidak terukur (batas Rosenbaum: seberapa kuat perancu yang tidak terukur harus untuk mengubah kesimpulan). Selalu diskusikan keterbatasan perancu yang tidak terukur. Pertimbangkan variabel instrumental atau eksperimen alami jika perancu yang tidak terukur menjadi perhatian utama.
Metode terkait
Sumber
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.
Buka referensi DOIDisalin.Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.
Buka referensi DOIDisalin.Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
Buka referensi DOIDisalin.