Skip to content
Назад к результатам поиска

Метод подбора на основе оценки склонности

Автор метода
Paul Rosenbaum and Donald Rubin
Год
1983
Тип
Method
Семейство
causal-inference

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Подбор на основе оценки склонности (PSM) — это метод снижения систематической ошибки смешения в наблюдательных исследованиях путем балансировки исходных характеристик между группами лечения, имитируя рандомизацию.

Разработанный Розенбаумом и Рубином (1983), он оценивает вероятность получения лечения с учетом наблюдаемых ковариат, а затем подбирает или взвешивает индивидов, получавших лечение, и контрольных индивидов с аналогичными вероятностями лечения. Широко используется в медицине, эпидемиологии и оценке политики, когда рандомизированные испытания невозможны или неэтичны, что позволяет оценить эффекты лечения при одновременном контроле систематической ошибки отбора.

Интуиция метода

Рандомизированные испытания автоматически балансируют исходные характеристики, обеспечивая причинно-следственную интерпретацию. В наблюдательных исследованиях отсутствует рандомизация; индивиды, получающие лечение, часто систематически отличаются от не получающих его (систематическая ошибка отбора). Сравнение исходов между группами лечения смешивает эффекты лечения с preexisting различиями. Подбор на основе оценки склонности (PSM) оценивает вероятность того, что каждый человек получит лечение, учитывая его исходные характеристики. Подбирая индивидов, получающих лечение, и не получающих его, с одинаковыми оценками склонности (вероятностями лечения), PSM создает две группы, сопоставимые на исходном уровне, имитируя рандомизацию. Это устраняет систематическую ошибку смешения для измеренных ковариат, позволяя проводить достоверную причинно-следственную интерпретацию. Ключевое допущение: условная независимость — при заданных наблюдаемых ковариатах назначение лечения является случайным (отсутствие неизмеренного смешения).

История

Фундаментальная статья Пола Розенбаума и Дональда Рубина 1983 года объединила подбор и причинно-следственную интерпретацию через фреймворк потенциальных исходов (Рубин, 1974). Они доказали, что подбор на основе оценки склонности достигает баланса ковариат, снижая систематическую ошибку. Работа Питера Остина (2010-е) продвинула диагностику баланса и методы взвешивания. Современные расширения включают: обобщенную оценку склонности для непрерывных видов лечения (Хирано и Имбенс, 2004), двойные робастные методы, сочетающие модели склонности и исходов (ван дер Лаан и Робинс, 2003), оценку максимального правдоподобия с целевой настройкой (TMLE; ван дер Лаан и Роуз, 2011).

Когда применять

Используйте подбор на основе оценки склонности при проведении наблюдательных исследований, когда рандомизация невозможна, но все смешивающие факторы измерены. Медицинские исследования: оценка эффективности лечения (хирургическое против консервативного ухода) путем сравнения исходов для подобранных леченых/нелеченых пациентов со схожим исходным риском. Оценка политики: оценка влияния программы (например, профессионального обучения на занятость) путем сравнения участников и подобранных неучастников. Эпидемиология: оценка риска заболеваний, связанных с воздействием, при одновременном контроле исходных характеристик. Предварительное условие: необходимо собрать достаточные исходные данные о смешивающих факторах до назначения лечения; неизмеренное смешение (например, неизмеренная тяжесть заболевания) остается угрозой.

Ограничения и замечания

  • Допущение условной независимости: действительно только при измерении всех релевантных смешивающих факторов. Неизмеренное смешение (например, неизмеренная тяжесть заболевания, предпочтения пациента) остается угрозой; PSM не может его обнаружить или исправить.
  • Неэффективность: подбор уменьшает размер выборки (неподобранные индивиды отбрасываются); подобранные анализы менее статистически мощны, чем неподобранная регрессия.
  • Ограниченное перекрытие: если популяции леченых и нелеченых имеют очень разные распределения ковариат, область перекрытия мала; оценки ограничены только областью перекрытия.
  • Зависимость от модели: оценки склонности зависят от правильной спецификации логистической регрессии; неправильная спецификация (пропущенные взаимодействия, нелинейные отношения) приводит к плохому балансу.
  • Потеря информации: подбор один к одному отбрасывает потенциально информативных неподобранных индивидов; подбор многие к одному или взвешивание сохраняют все данные.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Снижает систематическую ошибку смешения: создавая группы, сбалансированные по измеренным смешивающим факторам, PSM имитирует рандомизацию для этих переменных, обеспечивая причинно-следственную интерпретацию.
  • Интерпретируемость: оценка склонности — это один скаляр, сводящий множество ковариат; прозрачно, как достигается баланс ковариат.
  • Гибкость: работает с бинарными или множественными видами лечения; распространяется на непрерывные виды лечения (обобщенная оценка склонности).
  • Диагностика: оценка баланса ковариат (SMD, love plots) предоставляет четкие доказательства снижения систематической ошибки; несбалансированность видна до анализа исходов.
  • Двойная робастность: при сочетании с регрессией исходов оценщик является состоятельным, если либо модель склонности, либо модель исхода верна (устойчивость к неправильной спецификации).

Применение

  • Исследования сравнительной эффективности: оценка исходов лечения (лекарство А против В, хирургическое против медикаментозного лечения) в электронных медицинских картах без экспериментальной рандомизации.
  • Оценка политики: оценка влияния программы (например, профессиональное обучение, школьные вмешательства) на исходы (занятость, заработок) путем сравнения участников программы с подобранными неучастниками.
  • Эпидемиологические когортные исследования: оценка риска заболеваний от воздействий (курение, диета) в наблюдательных данных при одновременной корректировке демографических и поведенческих смешивающих факторов.
  • Исследования экономического воздействия: оценка влияния регуляторных изменений, налоговой политики или реформ здравоохранения на индивидуальные исходы; балансировка леченых и контрольных состояний.
  • Эффективность вакцин: сравнение исходов (уровень заражения, тяжесть заболевания) у вакцинированных и невакцинированных, подобранных по исходным факторам риска, когда РКИ невозможны.

Как это работает

Как это работает

1

Проведение подбора на основе оценки склонности включает: (1) определение интересующего исхода, переменной лечения (бинарной или множественной) и всех релевантных смешивающих факторов (исходные характеристики, влияющие как на лечение, так и на исход), (2) сбор данных ковариат для всех участников, (3) проверку допущения о перекрытии: группы лечения и контроля должны иметь перекрывающиеся диапазоны оценок склонности; отсутствие перекрытия указывает на фундаментальную несопоставимость, (4) определение выборки: намерение лечить (анализ в исходных группах) или по протоколу (анализ подобранной выборки; утверждения о причинности требуют осторожности). Обеспечьте достаточный размер выборки: PSM уменьшает эффективный размер выборки за счет подбора, поэтому начинайте с большего N, чем эквивалентное РКИ.

2

Оценка оценок склонности: используйте логистическую регрессию для прогнозирования вероятности назначения лечения с учетом всех измеренных ковариат. p_i = P(Лечение=1 | Ковариаты). Оценка склонности — это скаляр (0–1), сводящий множество ковариат в одно измерение. Затем подберите леченых (оценка p) с нелечеными (оценка q), если |p − q| < калипер (допуск, обычно 0.1 × стандартное отклонение лог-оценки склонности); распространенные подходы: подбор ближайшего соседа 1:1, подбор ближайшего соседа 1:m или подбор по калиперу. Альтернатива подбору: взвешивание на основе оценки склонности (обратное взвешивание вероятности лечения, IPTW). Взвесьте леченых индивидов на 1/p_i (увеличивая вес недопредставленных леченых) и контрольных на 1/(1−p_i); это создает псевдо-популяцию, где лечение не зависит от ковариат. Проверка баланса ковариат: стандартизированная разность средних (SMD) ковариат между группами должна быть < 0.1 (в идеале < 0.05) после подбора; если нет, увеличьте калипер или включите больше ковариат в модель склонности. Отчет о балансе до и после с помощью графиков SMD.

3

После подбора или взвешивания сравните исходы между группами лечения, используя стандартные методы (t-критерий, регрессия, анализ выживаемости) на подобранной/взвешенной выборке. Средний эффект лечения на леченых (ATT) — это разница исходов в подобранной выборке; если подбор успешен (достигнут баланс на исходном уровне), эта разница не смешивается измеренными ковариатами. Отчет: (1) баланс ковариат до и после подбора (таблицы SMD или графики), (2) количество подобранных/неподобранных пар, (3) эффект лечения (разница исходов), (4) доверительные интервалы и p-значения, (5) анализ чувствительности к неизмеренному смешению (например, границы Розенбаума). Изучите общую поддержку: доля леченых с оценками склонности выше минимальной оценки нелеченых и ниже максимальной оценки нелеченых; плохая перекрываемость делает оценки недействительными. Используйте регрессионную корректировку на подобранной выборке для дополнительного контроля смешивающих факторов (двойная робастность оценки).

Частые ошибки

  • Подбор по исходу: искажает оценки в сторону нуля (снижает мощность). Моделирование оценки склонности должно включать смешивающие факторы (переменные, предсказывающие как лечение, так и исход), а не медиаторы или следствия.
  • Несоблюдение проверки перекрытия: продолжение подбора, когда распределения оценок склонности леченых/контрольных не перекрываются. Всегда проверяйте и сообщайте об общей поддержке; оценки вне области перекрытия являются ненадежными экстраполяциями.
  • Игнорирование баланса ковариат: предположение, что подбор сработал, без изучения стандартизированных разностей средних. Всегда сообщайте диагностику баланса (графики SMD, love plots); несбалансированность указывает на необходимость альтернативного подхода.
  • Анализ полной выборки вместо подобранной: если вы подобрали, а затем анализируете все исходные данные, вы игнорируете подбор (что сводит его на нет). Анализируйте только подобранную выборку или используйте взвешивание на полной выборке.
  • P-хакинг с множественными моделями склонности: подгонка различных моделей склонности и выбор той, которая дает лучший баланс или наиболее сильный эффект лечения. Указывайте модель склонности априори на основе теории; используйте перекрестную проверку.
  • Утверждения о причинности без временного предшествования: оценка склонности снижает смешение измеренными ковариатами, но причинность требует, чтобы лечение предшествовало исходу. Обратная причинность по-прежнему угрожает достоверности.

Часто задаваемые вопросы

Что такое оценка склонности и почему подбор по ней работает?

Оценка склонности — это вероятность получения лечения с учетом наблюдаемых ковариат, оцениваемая с помощью логистической регрессии: P(T=1|Ковариаты). Два индивида с одинаковой оценкой склонности имеют схожие исходные характеристики (в среднем), даже если они получали разное лечение. Подбор по оценкам склонности создает сопоставимые группы: в подобранной выборке статус лечения не зависит от ковариат (достигнута условная независимость). Это эквивалентно проведению рандомизации на исходном уровне, что обеспечивает причинно-следственную интерпретацию. Оценка склонности является скаляром (одно число на человека), сводя подбор с множества измерений к одному (проблема размерности решена).

Какова разница между подбором на основе оценки склонности и обратным взвешиванием вероятности лечения (IPTW)?

Подбор на основе оценки склонности: сопоставляет индивидов, получающих лечение, с индивидами, не получающими лечение, имеющими схожие оценки склонности; анализирует только подобранные пары, отбрасывая неподобранных индивидов. IPTW (обратное взвешивание вероятности лечения): взвешивает всех индивидов на обратные оценки склонности (взвешивает леченых на 1/p, контрольных на 1/(1−p)), создавая псевдо-популяцию, где лечение не зависит от ковариат. IPTW сохраняет все данные, улучшая эффективность и мощность. Оба метода достигают баланса ковариат; IPTW статистически более эффективен. Компромисс: IPTW может давать экстремальные веса, если некоторые индивиды имеют очень высокие или очень низкие оценки склонности, увеличивая дисперсию; подбор избегает этого, но теряет данные.

Как оценить баланс ковариат и что является приемлемым?

Рассчитайте стандартизированную разность средних (SMD) для каждой ковариаты: SMD = (среднее_леченых − среднее_контрольных) / объединенное стандартное отклонение. SMD < 0.10 обычно считается 'сбалансированным'; < 0.05 — отличным. Постройте графики SMD до и после подбора (love plot): баланс до и после виден с первого взгляда. Рассчитайте SMD для всех смешивающих факторов; если какой-либо остается несбалансированным (SMD > 0.10) после подбора, рассмотрите: расширение калипера (более свободный подбор), включение взаимодействий в модель склонности или использование альтернативных методов (стратификация, регрессионная корректировка). Никогда не оценивайте баланс по p-значениям (p-значения зависят от размера выборки); всегда изучайте SMD численно и графически.

Может ли подбор на основе оценки склонности устранить неизмеренное смешение?

Нет. PSM снижает систематическую ошибку от измеренных смешивающих факторов (тех, по которым вы собрали данные). Неизмеренные смешивающие факторы (например, мотивация пациента, неизмеренная тяжесть заболевания, скрытые механизмы отбора) остаются неконтролируемыми. Проведите анализ чувствительности, чтобы оценить, насколько выводы чувствительны к неизмеренному смешению (границы Розенбаума: насколько сильным должен быть неизмеренный смешивающий фактор, чтобы изменить выводы). Всегда обсуждайте ограничения, связанные с неизмеренным смешением. Рассмотрите инструментальные переменные или естественные эксперименты, если неизмеренное смешение является серьезной проблемой.

Похожие методы

Источники

  1. 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.

    Открыть ссылку DOI
    Скопировано.
  2. Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.

    Открыть ссылку DOI
    Скопировано.
  3. Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.

    Открыть ссылку DOI
    Скопировано.