Abbinamento del punteggio di propensione
- Introdotto da
- Paul Rosenbaum and Donald Rubin
- Anno
- 1983
- Tipo
- Method
- Famiglia
- causal-inference
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
L'abbinamento del punteggio di propensione (PSM) è un metodo per ridurre il bias di confondimento negli studi osservazionali bilanciando le caratteristiche di base tra i gruppi di trattamento, simulando la randomizzazione.
Sviluppato da Rosenbaum e Rubin (1983), stima la probabilità di ricevere il trattamento dati i covariati osservati, quindi abbina o pondera individui trattati e di controllo con probabilità di trattamento simili. Ampiamente utilizzato in medicina, epidemiologia e valutazione delle politiche quando gli studi randomizzati sono infattibili o non etici, consente la stima degli effetti del trattamento controllando il bias di selezione.
L’intuizione alla base del metodo
Gli studi randomizzati bilanciano automaticamente le caratteristiche di base, consentendo l'inferenza causale. Gli studi osservazionali mancano di randomizzazione; gli individui trattati spesso differiscono sistematicamente da quelli non trattati (bias di selezione). Il confronto dei risultati tra i gruppi di trattamento confonde gli effetti del trattamento con le differenze preesistenti. L'abbinamento del punteggio di propensione (PSM) stima la probabilità che ogni persona riceva il trattamento date le proprie caratteristiche di base. Abbinando individui trattati e non trattati con punteggi di propensione simili (probabilità di trattamento), il PSM crea due gruppi comparabili alla base, imitando la randomizzazione. Ciò rimuove il bias di confondimento per i covariati misurati, consentendo un'inferenza causale valida. L'assunzione chiave: indipendenza condizionale - dati i covariati osservati, l'assegnazione del trattamento è casuale (nessun confondimento non misurato).
Storia
Il lavoro fondamentale di Paul Rosenbaum e Donald Rubin del 1983 ha unificato l'abbinamento e l'inferenza causale tramite il quadro dei potenziali esiti (Rubin, 1974). Hanno dimostrato che l'abbinamento del punteggio di propensione ottiene il bilanciamento dei covariati, riducendo il bias. Il lavoro di Peter Austin (anni 2010) ha avanzato le diagnostiche di bilanciamento e i metodi di ponderazione. Estensioni moderne includono: punteggio di propensione generalizzato per trattamenti continui (Hirano & Imbens, 2004), metodi doppiamente robusti che combinano modelli di propensione ed esito (van der Laan & Robins, 2003), stima di massima verosimiglianza mirata (TMLE; van der Laan & Rose, 2011).
Quando usarlo
Utilizzare l'abbinamento del punteggio di propensione quando si conducono studi osservazionali e non è possibile randomizzare, ma tutti i confondenti sono misurati. Ricerca medica: valutazione dell'efficacia del trattamento (chirurgia vs cure conservative) confrontando gli esiti di pazienti trattati/non trattati abbinati con rischio di base simile. Valutazione delle politiche: valutazione dell'impatto dei programmi (es. formazione professionale sull'occupazione) confrontando partecipanti e non partecipanti abbinati. Epidemiologia: stima del rischio di malattie associato all'esposizione controllando le caratteristiche di base. Prerequisito: aver raccolto dati di base sufficienti sui confondenti prima dell'assegnazione del trattamento; il confondimento non misurato (es. gravità non misurata della malattia, preferenza del paziente) rimane una minaccia.
Limiti e considerazioni
- Assunzione di indipendenza condizionale: valida solo se tutti i confondenti rilevanti sono misurati. Il confondimento non misurato (es. gravità non misurata della malattia, preferenza del paziente) rimane una minaccia; il PSM non può rilevarlo o correggerlo.
- Inefficienza: l'abbinamento riduce la dimensione del campione (individui non abbinati scartati); le analisi abbinate sono meno potenti statisticamente della regressione non abbinata.
- Sovrapposizione limitata: se le popolazioni trattate e non trattate hanno distribuzioni di covariati molto diverse, la regione di sovrapposizione è piccola; le stime sono limitate solo alla regione di sovrapposizione.
- Dipendenza dal modello: le stime del punteggio di propensione dipendono dalla corretta specificazione della regressione logistica; la specificazione errata (interazioni omesse, relazioni non lineari) produce un bilanciamento scarso.
- Perdita di informazioni: l'abbinamento uno a uno scarta individui non abbinati potenzialmente informativi; l'abbinamento molti a uno o la ponderazione conservano tutti i dati.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Riduce il bias di confondimento: creando gruppi bilanciati sui confondenti misurati, il PSM imita la randomizzazione per tali variabili, consentendo l'inferenza causale.
- Interpretabile: il punteggio di propensione è un singolo scalare che collassa molti covariati; trasparente come viene raggiunto il bilanciamento dei covariati.
- Flessibile: funziona con trattamenti binari o multipli; si estende a trattamenti continui (punteggio di propensione generalizzato).
- Diagnostico: la valutazione del bilanciamento dei covariati (SMD, love plot) fornisce prove chiare della riduzione del bias; lo squilibrio è visibile prima dell'analisi degli esiti.
- Doppiamente robusto: se combinato con la regressione degli esiti, lo stimatore è consistente se il modello di propensione o il modello di esito è corretto (resilienza alla specificazione errata).
Applicazioni
- Ricerca comparativa sull'efficacia: valutazione degli esiti dei trattamenti (farmaco A vs B, gestione chirurgica vs medica) in registri sanitari elettronici senza randomizzazione sperimentale.
- Valutazione delle politiche: valutazione dell'impatto dei programmi (formazione professionale, interventi scolastici) sugli esiti (occupazione, guadagni) confrontando i partecipanti al programma con non partecipanti abbinati.
- Studi di coorte epidemiologici: stima del rischio di malattie da esposizioni (fumo, dieta) in dati osservazionali, tenendo conto dei confondenti demografici e legati allo stile di vita.
- Studi di impatto economico: valutazione degli effetti di cambiamenti normativi, politiche fiscali o riforme sanitarie sugli esiti individuali; bilanciamento di stati trattati e di controllo.
- Efficacia dei vaccini: confronto degli esiti (tassi di infezione, gravità della malattia) nei vaccinati vs non vaccinati abbinati per fattori di rischio di base quando i RCT sono infattibili.
Come funziona
Come funziona
Amministrare l'abbinamento del punteggio di propensione mediante: (1) identificare l'esito di interesse, la variabile di trattamento (binaria o multipla) e tutti i confondenti rilevanti (caratteristiche di base che influenzano sia il trattamento che l'esito), (2) raccogliere dati sui covariati per tutti i partecipanti, (3) verificare l'assunzione di sovrapposizione: i gruppi di trattamento e di controllo devono avere intervalli sovrapposti di punteggi di propensione; la mancanza di sovrapposizione indica un'incomparabilità fondamentale, (4) definire il campione: intenzione di trattare (analizzare nei gruppi originali) o per protocollo (analizzare il campione abbinato; le affermazioni di causalità richiedono cautela). Garantire una dimensione del campione adeguata: il PSM riduce la dimensione effettiva del campione tramite l'abbinamento, quindi iniziare con un N maggiore rispetto a un RCT equivalente.
Stimare i punteggi di propensione: utilizzare la regressione logistica per prevedere la probabilità di assegnazione al trattamento dati tutti i covariati misurati. p_i = P(Trattamento=1 | Covariati). Il punteggio di propensione è uno scalare (0–1) che collassa più covariati in una dimensione. Quindi, abbinare trattati (punteggio p) con non trattati (punteggio q) se |p − q| < calibro (tolleranza, tipicamente 0,1 × SD del punteggio di propensione logit); approcci comuni: abbinamento del vicino più prossimo 1:1, vicino più prossimo 1:m o abbinamento con calibro. Alternativa all'abbinamento: ponderazione del punteggio di propensione (ponderazione inversa della probabilità di trattamento, IPTW). Ponderare gli individui trattati per 1/p_i (sovra-ponderare i trattati sottorappresentati) e i controlli per 1/(1−p_i); produce una pseudo-popolazione in cui il trattamento è indipendente dai covariati. Verificare il bilanciamento dei covariati: la differenza media standardizzata (SMD) nei covariati tra i gruppi dovrebbe essere < 0,1 (idealmente < 0,05) post-abbinamento; in caso contrario, aumentare il calibro o includere più covariati nel modello di propensione. Riportare il bilanciamento prima/dopo tramite grafici SMD.
Dopo l'abbinamento o la ponderazione, confrontare gli esiti tra i gruppi di trattamento utilizzando metodi standard (t-test, regressione, analisi di sopravvivenza) sul campione abbinato/ponderato. L'effetto medio del trattamento sui trattati (ATT) è la differenza di esito nel campione abbinato; se l'abbinamento ha successo (raggiunto il bilanciamento di base), questa differenza non è confusa dai covariati misurati. Riportare: (1) bilanciamento dei covariati prima e dopo l'abbinamento (tabelle o grafici SMD), (2) numero di coppie abbinate/non abbinate, (3) effetto del trattamento (differenza negli esiti), (4) intervalli di confidenza e valori p, (5) analisi di sensibilità al confondimento non misurato (es. limiti di Rosenbaum). Esaminare il supporto comune: proporzione di trattati con punteggi di propensione superiori al punteggio minimo dei non trattati e inferiori al punteggio massimo dei non trattati; una scarsa sovrapposizione invalida le stime. Utilizzare la regressione aggiustata sul campione abbinato come controllo aggiuntivo del confondimento (stima doppiamente robusta).
Errori comuni
- Abbinamento sull'esito: distorce le stime verso lo zero (riduce la potenza). La modellazione del punteggio di propensione dovrebbe includere i confondenti (variabili che predicono sia il trattamento che l'esito), non mediatori o conseguenze.
- Mancata verifica della sovrapposizione: procedere con l'abbinamento quando le distribuzioni dei punteggi di propensione trattati/di controllo non si sovrappongono. Verificare e riportare sempre il supporto comune; le stime al di fuori della sovrapposizione non sono affidabili estrapolazioni.
- Ignorare il bilanciamento dei covariati: presumere che l'abbinamento abbia funzionato senza esaminare le differenze medie standardizzate. Riportare sempre le diagnostiche di bilanciamento (grafici SMD, love plot); lo squilibrio indica la necessità di un approccio alternativo.
- Analisi del campione completo invece del campione abbinato: se si abbina e poi si analizzano tutti i dati originali, si ignora l'abbinamento (vanifica lo scopo). Analizzare solo il campione abbinato, o utilizzare la ponderazione sull'intero campione.
- P-hacking con modelli di propensione multipli: adattare diversi modelli di propensione e selezionare quello che produce il miglior bilanciamento o l'effetto del trattamento più forte. Specificare il modello di propensione a priori basato sulla teoria; utilizzare la validazione incrociata.
- Affermazioni causali senza precedenza temporale: il punteggio di propensione riduce il confondimento da parte dei covariati misurati, ma la causalità richiede il trattamento prima dell'esito. La causalità inversa minaccia ancora la validità.
Domande frequenti
Cos'è il punteggio di propensione e perché l'abbinamento su di esso funziona?
Il punteggio di propensione è la probabilità di ricevere il trattamento dati i covariati osservati, stimato tramite regressione logistica: P(T=1|Covariati). Due individui con lo stesso punteggio di propensione hanno caratteristiche di base simili (in media) anche se trattati diversamente. L'abbinamento sui punteggi di propensione crea gruppi comparabili: nel campione abbinato, lo stato del trattamento è indipendente dai covariati (indipendenza condizionale raggiunta). Ciò equivale ad aver effettuato una randomizzazione di base, consentendo l'inferenza causale. Il punteggio di propensione è uno scalare (un numero per persona), riducendo l'abbinamento da molte dimensioni a una (maledizione della dimensionalità risolta).
Qual è la differenza tra l'abbinamento del punteggio di propensione e la ponderazione inversa della probabilità di trattamento (IPTW)?
Abbinamento del punteggio di propensione: accoppia individui trattati con individui non trattati aventi punteggi di propensione simili; analizza solo le coppie abbinate, scartando gli individui non abbinati. IPTW (ponderazione inversa della probabilità di trattamento): pondera tutti gli individui in base ai punteggi di propensione inversi (pondera i trattati per 1/p, i controlli per 1/(1−p)), creando una pseudo-popolazione in cui il trattamento è indipendente dai covariati. L'IPTW conserva tutti i dati, migliorando l'efficienza e la potenza. Entrambi ottengono il bilanciamento dei covariati; l'IPTW è statisticamente più efficiente. Compromesso: l'IPTW può produrre pesi estremi se alcuni individui hanno punteggi di propensione molto alti o molto bassi, aumentando la varianza; l'abbinamento evita questo ma perde dati.
Come valuto il bilanciamento dei covariati e cosa è accettabile?
Calcolare la differenza media standardizzata (SMD) per ciascun covariato: SMD = (media_trattati − media_controlli) / DS_pooled. Un SMD < 0,10 è generalmente accettato come 'bilanciato'; < 0,05 è eccellente. Tracciare gli SMD pre- e post-abbinamento (love plot): il bilanciamento prima/dopo è visibile a colpo d'occhio. Calcolare l'SMD per tutti i confondenti; se alcuni rimangono sbilanciati (SMD > 0,10) dopo l'abbinamento, considerare: allargare il calibro (abbinare in modo più lasco), includere interazioni nel modello di propensione o utilizzare metodi alternativi (stratificazione, aggiustamento di regressione). Non giudicare mai il bilanciamento dai valori p (i valori p dipendono dalla dimensione del campione); esaminare sempre l'SMD numericamente e graficamente.
L'abbinamento del punteggio di propensione può affrontare il confondimento non misurato?
No. Il PSM riduce il bias dai confondenti misurati (quelli per cui sono stati raccolti dati). I confondenti non misurati (es. motivazione del paziente, gravità non misurata della malattia, meccanismi di selezione nascosti) rimangono incontrollati. Condurre analisi di sensibilità per valutare quanto le conclusioni siano sensibili al confondimento non misurato (limiti di Rosenbaum: quanto forte deve essere un confondente non misurato per cambiare le conclusioni). Discutere sempre i limiti del confondimento non misurato. Considerare variabili strumentali o esperimenti naturali se il confondimento non misurato è una preoccupazione importante.
Metodi correlati
Fonti
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.
Apri il riferimento DOICopiato.Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.
Apri il riferimento DOICopiato.Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
Apri il riferimento DOICopiato.