Dopasowanie wyników skłonności
- Autor metody
- Paul Rosenbaum and Donald Rubin
- Rok
- 1983
- Typ
- Method
- Rodzina
- causal-inference
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Dopasowanie wyników skłonności (PSM) to metoda redukcji błędu zakłócenia w badaniach obserwacyjnych poprzez równoważenie charakterystyk wyjściowych między grupami leczonymi, symulując randomizację.
Opracowana przez Rosenbauma i Rubina (1983), szacuje prawdopodobieństwo otrzymania leczenia na podstawie obserwowanych kowariant, a następnie dopasowuje lub waży osoby leczone i kontrolne o podobnych prawdopodobieństwach leczenia. Szeroko stosowana w medycynie, epidemiologii i ocenie polityki, gdy badania randomizowane są niewykonalne lub nieetyczne, umożliwiając oszacowanie efektów leczenia przy jednoczesnej kontroli błędu selekcji.
Intuicja stojąca za metodą
Badania randomizowane automatycznie równoważą charakterystyki wyjściowe, umożliwiając wnioskowanie przyczynowe. Badania obserwacyjne nie mają randomizacji; osoby leczone często systematycznie różnią się od osób nieleczonych (błąd selekcji). Porównanie wyników między grupami leczonymi zakłóca efekty leczenia z istniejącymi różnicami. Dopasowanie wyników skłonności (PSM) szacuje prawdopodobieństwo, że każda osoba otrzyma leczenie na podstawie jej charakterystyk wyjściowych. Dopasowując osoby leczone i nieleczone o podobnych wynikach skłonności (prawdopodobieństwach leczenia), PSM tworzy dwie grupy porównywalne na wyjściu, naśladując randomizację. Eliminuje to błąd zakłócenia dla mierzonych kowariant, umożliwiając poprawne wnioskowanie przyczynowe. Kluczowe założenie: warunkowa niezależność – przy danych obserwowanych kowariantach przypisanie leczenia jest losowe (brak niezmierzonych zakłóceń).
Historia
Fundamentalny artykuł Paula Rosenbauma i Donalda Rubina z 1983 roku ujednolicił dopasowanie i wnioskowanie przyczynowe poprzez ramy potencjalnych wyników (Rubin, 1974). Udowodnili oni, że dopasowanie wyników skłonności osiąga równowagę kowariant, redukując błąd. Prace Petera Austina (lata 2010) rozwinęły diagnostykę równowagi i metody ważenia. Nowoczesne rozszerzenia obejmują: uogólniony wynik skłonności dla leczenia ciągłego (Hirano & Imbens, 2004), metody podwójnie odporne łączące modele skłonności i wyników (van der Laan & Robins, 2003), estymację maksymalnego prawdopodobieństwa ukierunkowanego (TMLE; van der Laan & Rose, 2011).
Kiedy stosować
Używaj dopasowania wyników skłonności podczas prowadzenia badań obserwacyjnych, gdy nie można przeprowadzić randomizacji, ale wszystkie czynniki zakłócające są mierzone. Badania medyczne: ocena skuteczności leczenia (chirurgia vs opieka zachowawcza) porównująca wyniki dla dopasowanych pacjentów leczonych/nieleczonych o podobnym ryzyku wyjściowym. Ocena polityki: ocena wpływu programu (np. szkolenia zawodowe na zatrudnienie) porównująca uczestników z dopasowanymi nieuczestnikami. Epidemiologia: szacowanie ryzyka chorób związanego z ekspozycją przy jednoczesnej kontroli charakterystyk wyjściowych. Wymaganie wstępne: należy zebrać wystarczające dane wyjściowe dotyczące czynników zakłócających przed przypisaniem leczenia; niezmierzony czynnik zakłócający (np. niezmierzona ciężkość choroby) pozostaje zagrożeniem.
Ograniczenia i uwagi
- Założenie o warunkowej niezależności: ważne tylko wtedy, gdy wszystkie istotne czynniki zakłócające są mierzone. Niezmierzony czynnik zakłócający (np. niezmierzona motywacja pacjenta, niezmierzona ciężkość choroby, ukryte mechanizmy selekcji) pozostaje zagrożeniem; PSM nie może go wykryć ani skorygować.
- Niewydajność: dopasowanie zmniejsza wielkość próby (odrzucani są niedopasowani uczestnicy); dopasowane analizy są mniej statystycznie mocne niż niedopasowana regresja.
- Ograniczone pokrycie: jeśli populacje leczone i nieleczone mają bardzo różne rozkłady kowariant, region pokrycia jest mały; oszacowania ograniczają się tylko do regionu pokrycia.
- Zależność od modelu: oszacowania wyników skłonności zależą od poprawnej specyfikacji regresji logistycznej; błędna specyfikacja (pominięte interakcje, nieliniowe zależności) prowadzi do słabej równowagi.
- Utrata informacji: dopasowanie jeden do jednego odrzuca potencjalnie informatywne niedopasowane osoby; dopasowanie wielu do jednego lub ważenie zachowuje wszystkie dane.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Redukuje błąd zakłócenia: tworząc grupy zrównoważone pod względem mierzonych czynników zakłócających, PSM naśladuje randomizację dla tych zmiennych, umożliwiając wnioskowanie przyczynowe.
- Interpretowalny: wynik skłonności to pojedynczy skalar łączący wiele kowariant; przejrzyste, jak osiągnięto równowagę kowariant.
- Elastyczny: działa z leczeniem binarnym lub wielokrotnym; rozszerza się na leczenie ciągłe (uogólniony wynik skłonności).
- Diagnostyczny: ocena równowagi kowariant (SMD, wykresy miłości) dostarcza jasnych dowodów na redukcję błędu; nierównowaga widoczna przed analizą wyników.
- Podwójnie odporny: w połączeniu z regresją wyników, estymator jest spójny, jeśli model skłonności lub model wyników jest poprawny (odporność na błędną specyfikację).
Zastosowania
- Badania porównawcze skuteczności: ocena wyników leczenia (lek A vs B, leczenie chirurgiczne vs medyczne) w elektronicznej dokumentacji medycznej bez randomizacji eksperymentalnej.
- Ocena polityki: ocena wpływu programu (szkolenia zawodowe, interwencje szkolne) na wyniki (zatrudnienie, zarobki) poprzez porównanie uczestników programu z dopasowanymi nieuczestnikami.
- Epidemiologiczne badania kohortowe: szacowanie ryzyka chorób na podstawie ekspozycji (palenie, dieta) w danych obserwacyjnych przy jednoczesnej kontroli demograficznych i stylów życia czynników zakłócających.
- Badania wpływu ekonomicznego: ocena skutków zmian regulacyjnych, polityki podatkowej lub reform opieki zdrowotnej na indywidualne wyniki; równoważenie leczonych i kontrolnych stanów.
- Skuteczność szczepionek: porównanie wyników (wskaźniki infekcji, ciężkość choroby) u zaszczepionych vs nieszczepionych dopasowanych pod względem wyjściowych czynników ryzyka, gdy RCT są niewykonalne.
Jak to działa
Jak to działa
Przeprowadź dopasowanie wyników skłonności poprzez: (1) zidentyfikowanie interesującego wyniku, zmiennej leczenia (binarna lub wielokrotna) i wszystkich istotnych czynników zakłócających (charakterystyki wyjściowe wpływające zarówno na leczenie, jak i na wynik), (2) zebranie danych kowariant od wszystkich uczestników, (3) sprawdzenie założenia o pokryciu: grupy leczone i kontrolne muszą mieć nakładające się zakresy wyników skłonności; brak pokrycia wskazuje na fundamentalną nieporównywalność, (4) zdefiniowanie próby: zamiar leczenia (analiza w oryginalnych grupach) lub zgodnie z protokołem (analiza dopasowanej próby; twierdzenia o przyczynowości wymagają ostrożności). Zapewnij odpowiednią wielkość próby: PSM zmniejsza efektywną wielkość próby poprzez dopasowanie, więc zacznij od większego N niż równoważne RCT.
Oszacuj wyniki skłonności: użyj regresji logistycznej do przewidywania prawdopodobieństwa przypisania leczenia na podstawie wszystkich mierzonych kowariant. p_i = P(Leczenie=1 | Kowarianty). Wynik skłonności to skalar (0–1) redukujący wiele kowariant do jednego wymiaru. Następnie dopasuj leczonych (wynik p) z nieleczonymi (wynik q), jeśli |p − q| < kaliber (tolerancja, zazwyczaj 0,1 × SD logarytmu wyniku skłonności); powszechne podejścia: dopasowanie najbliższego sąsiada 1:1, najbliższego sąsiada 1:m lub dopasowanie kalibrowe. Alternatywa dla dopasowania: ważenie wyników skłonności (ważenie odwrotności prawdopodobieństwa leczenia, IPTW). Waż osoby leczone przez 1/p_i (nadmierne ważenie niedostatecznie reprezentowanych leczonych) i kontrole przez 1/(1−p_i); tworzy pseudo-populację, w której leczenie jest niezależne od kowariant. Sprawdź równowagę kowariant: standaryzowana różnica średnich (SMD) w kowariantach między grupami powinna wynosić < 0,1 (idealnie < 0,05) po dopasowaniu; jeśli nie, zwiększ kaliber lub uwzględnij więcej kowariant w modelu skłonności. Raportuj równowagę przed i po analizie za pomocą wykresów SMD.
Po dopasowaniu lub ważeniu porównaj wyniki między grupami leczonymi, używając standardowych metod (test t, regresja, analiza przeżycia) na dopasowanej/ważonej próbie. Średni efekt leczenia na leczonych (ATT) to różnica wyników w dopasowanej próbie; jeśli dopasowanie jest udane (osiągnięto równowagę wyjściową), ta różnica jest niezakłócona przez mierzone kowarianty. Raportuj: (1) równowagę kowariant przed i po dopasowaniu (tabele lub wykresy SMD), (2) liczbę dopasowanych/niedopasowanych par, (3) efekt leczenia (różnica wyników), (4) przedziały ufności i wartości p, (5) analizę wrażliwości na niezmierzony czynnik zakłócający (np. granice Rosenbauma). Zbadaj wspólne wsparcie: odsetek leczonych z wynikami skłonności powyżej minimalnego wyniku nieleczonego i poniżej maksymalnego wyniku nieleczonego; słabe pokrycie unieważnia oszacowania. Użyj dopasowania regresyjnego na dopasowanej próbie jako dodatkowej kontroli czynników zakłócających (oszacowanie podwójnie odporne).
Częste pułapki
- Dopasowanie do wyniku: zniekształca oszacowania w kierunku zera (zmniejsza moc). Modelowanie wyników skłonności powinno obejmować czynniki zakłócające (zmienne przewidujące zarówno leczenie, jak i wynik), a nie mediatory ani konsekwencje.
- Niespełnienie sprawdzenia pokrycia: kontynuowanie dopasowania, gdy rozkłady wyników skłonności leczonych/kontrolnych się nie pokrywają. Zawsze sprawdzaj i raportuj wspólne wsparcie; oszacowania poza pokryciem są nierzetelnymi ekstrapolacjami.
- Ignorowanie równowagi kowariant: zakładanie, że dopasowanie zadziałało, bez analizy standaryzowanych różnic średnich. Zawsze raportuj diagnostykę równowagi (wykresy SMD, wykresy miłości); nierównowaga wskazuje na potrzebę alternatywnego podejścia.
- Analiza pełnej próby zamiast dopasowanej próby: jeśli dopasujesz, a następnie analizujesz wszystkie oryginalne dane, ignorujesz dopasowanie (co niweczy cel). Analizuj tylko dopasowaną próbę lub użyj ważenia na pełnej próbie.
- P-hacking z wieloma modelami skłonności: dopasowanie różnych modeli skłonności i wybór tego, który daje najlepszą równowagę lub najsilniejszy efekt leczenia. Określ model skłonności a priori na podstawie teorii; użyj walidacji krzyżowej.
- Twierdzenia przyczynowe bez pierwszeństwa czasowego: wynik skłonności redukuje zakłócenie przez mierzone kowarianty, ale przyczynowość wymaga leczenia przed wynikiem. Odwrotna przyczynowość nadal stanowi zagrożenie dla ważności.
Najczęściej zadawane pytania
Czym jest wynik skłonności i dlaczego dopasowanie na jego podstawie działa?
Wynik skłonności to prawdopodobieństwo otrzymania leczenia na podstawie obserwowanych kowariant, szacowane za pomocą regresji logistycznej: P(T=1|Kowarianty). Dwie osoby o tym samym wyniku skłonności mają podobne charakterystyki wyjściowe (oczekiwanie), nawet jeśli są leczone inaczej. Dopasowanie na wynikach skłonności tworzy porównywalne grupy: w dopasowanej próbie status leczenia jest niezależny od kowariant (osiągnięto warunkową niezależność). Jest to równoważne z przeprowadzeniem randomizacji na wyjściu, co umożliwia wnioskowanie przyczynowe. Wynik skłonności jest skalarem (jedna liczba na osobę), redukując dopasowanie z wielu wymiarów do jednego (rozwiązanie problemu klątwy wymiarowości).
Jaka jest różnica między dopasowaniem wyników skłonności a ważeniem odwrotności prawdopodobieństwa leczenia (IPTW)?
Dopasowanie wyników skłonności: paruje osoby leczone z osobami nieleczonymi o podobnych wynikach skłonności; analizuje tylko dopasowane pary, odrzucając niedopasowane osoby. IPTW (ważenie odwrotności prawdopodobieństwa leczenia): waży wszystkie osoby odwrotnością ich wyników skłonności (waży leczonych przez 1/p, kontrole przez 1/(1−p)), tworząc pseudo-populację, w której leczenie jest niezależne od kowariant. IPTW zachowuje wszystkie dane, poprawiając wydajność i moc. Oba metody osiągają równowagę kowariant; IPTW jest statystycznie bardziej wydajny. Kompromis: IPTW może generować ekstremalne wagi, jeśli niektóre osoby mają bardzo wysokie lub bardzo niskie wyniki skłonności, zwiększając wariancję; dopasowanie tego unika, ale traci dane.
Jak ocenić równowagę kowariant i co jest akceptowalne?
Oblicz standaryzowaną różnicę średnich (SMD) dla każdego kowariantu: SMD = (średnia_leczonych − średnia_kontrolnych) / skumulowane SD. SMD < 0,10 jest generalnie akceptowane jako 'zrównoważone'; < 0,05 jest doskonałe. Wykreśl SMD przed i po dopasowaniu (wykres miłości): równowaga przed/po jest widoczna na pierwszy rzut oka. Oblicz SMD dla wszystkich czynników zakłócających; jeśli którykolwiek pozostaje niezrównoważony (SMD > 0,10) po dopasowaniu, rozważ: poszerzenie kalibru (luźniejsze dopasowanie), uwzględnienie interakcji w modelu skłonności lub użycie alternatywnych metod (stratyfikacja, dopasowanie regresyjne). Nigdy nie oceniaj równowagi na podstawie wartości p (wartości p zależą od wielkości próby); zawsze analizuj SMD numerycznie i graficznie.
Czy dopasowanie wyników skłonności może rozwiązać problem niezmierzonych czynników zakłócających?
Nie. PSM redukuje błąd wynikający z mierzonych czynników zakłócających (tych, dla których zebrano dane). Niezmierzonych czynników zakłócających (np. motywacja pacjenta, niezmierzona ciężkość choroby, ukryte mechanizmy selekcji) pozostaje niekontrolowanych. Przeprowadź analizę wrażliwości, aby ocenić, jak wrażliwe są wnioski na niezmierzony czynnik zakłócający (granice Rosenbauma: jak silny musi być niezmierzony czynnik zakłócający, aby zmienić wnioski). Zawsze omawiaj ograniczenia związane z niezmierzonymi czynnikami zakłócającymi. Rozważ zmienne instrumentalne lub naturalne eksperymenty, jeśli niezmierzony czynnik zakłócający jest głównym problemem.
Pokrewne metody
Źródła
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.
Otwórz odnośnik DOISkopiowano.Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.
Otwórz odnośnik DOISkopiowano.Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
Otwórz odnośnik DOISkopiowano.