การจับคู่คะแนนแนวโน้ม
- ผู้เสนอ
- Paul Rosenbaum and Donald Rubin
- ปี
- 1983
- ประเภท
- Method
- กลุ่มวิธี
- causal-inference
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การจับคู่คะแนนแนวโน้ม (Propensity Score Matching: PSM) เป็นวิธีการลดอคติจากการปะปนของตัวแปร (confounding bias) ในการศึกษาสังเกต โดยการสร้างความสมดุลของคุณลักษณะพื้นฐานระหว่างกลุ่มที่ได้รับการรักษาและกลุ่มควบคุม ให้เสมือนกับการสุ่มตัวอย่าง วิธีนี้พัฒนาโดย Rosenbaum และ Rubin (1983) โดยประมาณค่าความน่าจะเป็นในการได้รับการรักษาเมื่อพิจารณาจากตัวแปรร่วมที่สังเกตได้ จากนั้นจึงทำการจับคู่หรือถ่วงน้ำหนักบุคคลที่ได้รับการรักษาและกลุ่มควบคุมที่มีความน่าจะเป็นในการรักษาใกล้เคียงกัน PSM ถูกนำไปใช้อย่างแพร่หลายในทางการแพทย์ ระบาดวิทยา และการประเมินนโยบาย เมื่อการทดลองแบบสุ่มไม่สามารถทำได้จริงหรือผิดจริยธรรม ช่วยให้สามารถประมาณค่าผลของการรักษาได้ ในขณะเดียวกันก็ควบคุมอคติจากการคัดเลือกได้
แนวคิดเบื้องหลังวิธีการ
การทดลองแบบสุ่มช่วยสร้างความสมดุลของคุณลักษณะพื้นฐานโดยอัตโนมัติ ทำให้สามารถอนุมานเชิงสาเหตุได้ การศึกษาสังเกตขาดการสุ่ม บุคคลที่ได้รับการรักษา มักจะแตกต่างจากกลุ่มที่ไม่ได้รับการรักษาอย่างเป็นระบบ (อคติจากการคัดเลือก) การเปรียบเทียบผลลัพธ์ระหว่างกลุ่มที่ได้รับการรักษา จะทำให้ผลของการรักษาปะปนกับความแตกต่างที่มีอยู่เดิม การจับคู่คะแนนแนวโน้ม (PSM) ประมาณค่าความน่าจะเป็นที่แต่ละบุคคลจะได้รับการรักษา โดยพิจารณาจากคุณลักษณะพื้นฐานของพวกเขา การจับคู่บุคคลที่ได้รับการรักษาและไม่ได้รับการรักษาที่มีคะแนนแนวโน้ม (ความน่าจะเป็นในการรักษา) ใกล้เคียงกัน PSM จะสร้างสองกลุ่มที่เปรียบเทียบกันได้ในระดับพื้นฐาน ซึ่งเลียนแบบการสุ่ม วิธีนี้จะขจัดอคติจากการปะปนของตัวแปรที่วัดได้ ทำให้สามารถอนุมานเชิงสาเหตุได้อย่างถูกต้อง ข้อสมมติฐานหลักคือ ความเป็นอิสระแบบมีเงื่อนไข (conditional independence) กล่าวคือ เมื่อพิจารณาจากตัวแปรร่วมที่สังเกตได้ การกำหนดกลุ่มการรักษาเป็นไปอย่างสุ่ม (ไม่มีการปะปนของตัวแปรที่ไม่ได้วัด)
ประวัติศาสตร์
เอกสารพื้นฐานปี 1983 ของ Paul Rosenbaum และ Donald Rubin ได้รวบรวมการจับคู่และการอนุมานเชิงสาเหตุเข้าด้วยกันผ่านกรอบแนวคิดศักยภาพของผลลัพธ์ (potential outcomes framework; Rubin, 1974) พวกเขาพิสูจน์ว่าการจับคู่คะแนนแนวโน้มสามารถสร้างความสมดุลของตัวแปรร่วมและลดอคติได้ งานของ Peter Austin (ทศวรรษ 2010) ได้พัฒนาการวินิจฉัยความสมดุลและวิธีการถ่วงน้ำหนัก ส่วนขยายสมัยใหม่ ได้แก่ generalized propensity score สำหรับการรักษาแบบต่อเนื่อง (Hirano & Imbens, 2004), วิธีการ doubly robust ที่รวมแบบจำลองคะแนนแนวโน้มและแบบจำลองผลลัพธ์ (van der Laan & Robins, 2003), และ targeted maximum likelihood estimation (TMLE; van der Laan & Rose, 2011)
ควรใช้เมื่อใด
ใช้การจับคู่คะแนนแนวโน้มเมื่อทำการศึกษาสังเกตและไม่สามารถทำการสุ่มได้ แต่สามารถวัดตัวแปรกวนทั้งหมดได้ การวิจัยทางการแพทย์: ประเมินประสิทธิภาพของการรักษา (เช่น การผ่าตัดเทียบกับการดูแลแบบอนุรักษ์นิยม) โดยเปรียบเทียบผลลัพธ์ของผู้ป่วยที่ได้รับการรักษาและไม่ได้รับการรักษาที่จับคู่กันแล้วซึ่งมีปัจจัยเสี่ยงพื้นฐานใกล้เคียงกัน การประเมินนโยบาย: ประเมินผลกระทบของโครงการ (เช่น การฝึกอาชีพต่อการจ้างงาน) โดยเปรียบเทียบผู้เข้าร่วมโครงการกับผู้ที่ไม่เข้าร่วมโครงการที่จับคู่กันแล้ว ระบาดวิทยา: ประมาณค่าความเสี่ยงของโรคที่เกี่ยวข้องกับการสัมผัส โดยควบคุมคุณลักษณะพื้นฐาน ข้อกำหนดเบื้องต้น: ต้องได้รวบรวมข้อมูลพื้นฐานเกี่ยวกับตัวแปรกวนอย่างเพียงพอ ก่อนการกำหนดกลุ่มการรักษา การปะปนของตัวแปรที่ไม่ได้วัด (เช่น ความรุนแรงของโรคที่ไม่ได้วัด) ยังคงเป็นภัยคุกคาม
ข้อจำกัดและข้อควรพิจารณา
- ข้อสมมติฐานความเป็นอิสระแบบมีเงื่อนไข: ใช้ได้เฉพาะเมื่อวัดตัวแปรกวนที่เกี่ยวข้องทั้งหมดเท่านั้น การปะปนของตัวแปรที่ไม่ได้วัด (เช่น แรงจูงใจของผู้ป่วย ความรุนแรงของโรคที่ไม่ได้วัด) ยังคงเป็นภัยคุกคาม; PSM ไม่สามารถตรวจจับหรือแก้ไขได้
- ไม่มีประสิทธิภาพ: การจับคู่ลดขนาดตัวอย่าง (บุคคลที่ไม่ถูกจับคู่จะถูกทิ้งไป); การวิเคราะห์ที่จับคู่แล้วมีกำลังทางสถิติน้อยกว่าการถดถอยแบบไม่จับคู่
- การทับซ้อนที่จำกัด: หากประชากรที่ได้รับการรักษาและไม่ได้รับการรักษา มีการกระจายตัวของตัวแปรร่วมที่แตกต่างกันมาก บริเวณที่ทับซ้อนจะเล็ก; การประมาณค่าจะจำกัดเฉพาะบริเวณที่ทับซ้อนเท่านั้น
- การพึ่งพาแบบจำลอง: การประมาณค่าคะแนนแนวโน้มขึ้นอยู่กับการระบุแบบจำลองการถดถอยโลจิสติกที่ถูกต้อง การระบุแบบจำลองผิดพลาด (การละเว้นปฏิสัมพันธ์, ความสัมพันธ์ที่ไม่ใช่เชิงเส้น) จะทำให้เกิดความไม่สมดุล
- การสูญเสียข้อมูล: การจับคู่แบบ 1:1 จะทิ้งบุคคลที่ไม่ถูกจับคู่ซึ่งอาจมีข้อมูลที่เป็นประโยชน์ไป การจับคู่แบบ 1:m หรือการถ่วงน้ำหนักจะเก็บข้อมูลทั้งหมดไว้
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ลดอคติจากการปะปน: โดยการสร้างกลุ่มที่สมดุลในตัวแปรกวนที่วัดได้ PSM จะเลียนแบบการสุ่มสำหรับตัวแปรเหล่านั้น ทำให้สามารถอนุมานเชิงสาเหตุได้
- ตีความได้: คะแนนแนวโน้มเป็นค่าสเกลาร์เดียวที่รวบรวมตัวแปรร่วมหลายตัวเข้าด้วยกัน แสดงให้เห็นอย่างชัดเจนว่าบรรลุความสมดุลของตัวแปรร่วมได้อย่างไร
- ยืดหยุ่น: ใช้ได้กับการรักษาแบบทวิภาคหรือหลายกลุ่ม ขยายไปยังการรักษาแบบต่อเนื่อง (generalized propensity score)
- วินิจฉัยได้: การประเมินความสมดุลของตัวแปรร่วม (SMD, love plots) ให้หลักฐานที่ชัดเจนของการลดอคติ ความไม่สมดุลสามารถมองเห็นได้ก่อนการวิเคราะห์ผลลัพธ์
- Doubly robust: เมื่อรวมกับการถดถอยผลลัพธ์ ตัวประมาณค่าจะมีความสอดคล้องกันหากแบบจำลองคะแนนแนวโน้มหรือแบบจำลองผลลัพธ์ถูกต้อง (ทนทานต่อการระบุแบบจำลองผิดพลาด)
การประยุกต์ใช้
- การวิจัยเปรียบเทียบประสิทธิภาพ: การประเมินผลลัพธ์ของการรักษา (เช่น ยา A เทียบกับ B, การจัดการด้วยการผ่าตัดเทียบกับการจัดการด้วยยา) ในเวชระเบียนอิเล็กทรอนิกส์ โดยไม่มีการสุ่มตัวอย่างจากการทดลอง
- การประเมินนโยบาย: การประเมินผลกระทบของโครงการ (เช่น การฝึกงาน, การแทรกแซงในโรงเรียน) ต่อผลลัพธ์ (เช่น การจ้างงาน, รายได้) โดยเปรียบเทียบผู้เข้าร่วมโครงการกับผู้ที่ไม่เข้าร่วมโครงการที่จับคู่กันแล้ว
- การศึกษาตามกลุ่มประชากรทางระบาดวิทยา: การประมาณค่าความเสี่ยงของโรคจากการสัมผัส (เช่น การสูบบุหรี่, อาหาร) ในข้อมูลสังเกต โดยควบคุมตัวแปรกวนด้านประชากรศาสตร์และวิถีชีวิต
- การศึกษาผลกระทบทางเศรษฐกิจ: การประเมินผลกระทบของการเปลี่ยนแปลงกฎระเบียบ นโยบายภาษี หรือการปฏิรูปการดูแลสุขภาพ ต่อผลลัพธ์ของบุคคล โดยการสร้างความสมดุลระหว่างรัฐ/กลุ่มที่ได้รับการรักษาและกลุ่มควบคุม
- ประสิทธิภาพของวัคซีน: การเปรียบเทียบผลลัพธ์ (อัตราการติดเชื้อ, ความรุนแรงของโรค) ในกลุ่มที่ได้รับวัคซีนเทียบกับกลุ่มที่ไม่ได้รับวัคซีน โดยจับคู่กับปัจจัยเสี่ยงพื้นฐาน เมื่อการทดลองแบบสุ่มไม่สามารถทำได้
วิธีการทำงาน
วิธีการทำงาน
ดำเนินการจับคู่คะแนนแนวโน้มโดย: (1) ระบุผลลัพธ์ที่สนใจ ตัวแปรการรักษา (แบบทวิภาคหรือหลายกลุ่ม) และตัวแปรกวนทั้งหมดที่เกี่ยวข้อง (คุณลักษณะพื้นฐานที่มีผลต่อทั้งการรักษาและผลลัพธ์) (2) รวบรวมข้อมูลตัวแปรร่วมของ ผู้เข้าร่วมทั้งหมด (3) ตรวจสอบข้อสมมติฐานเรื่องการทับซ้อน (overlap assumption): กลุ่มที่ได้รับการรักษาและกลุ่มควบคุมต้องมีช่วงของคะแนนแนวโน้มที่ทับซ้อนกัน การขาดการทับซ้อนบ่งชี้ถึงความไม่สามารถเปรียบเทียบกันได้โดยพื้นฐาน (4) กำหนดกลุ่มตัวอย่าง: ตามเจตนาในการรักษา (intention-to-treat: วิเคราะห์ในกลุ่มเดิม) หรือตามระเบียบวิธี (per-protocol: วิเคราะห์กลุ่มที่จับคู่แล้ว; การอ้างสิทธิ์เชิงสาเหตุต้องใช้ความระมัดระวัง) ตรวจสอบให้แน่ใจว่ามีขนาดตัวอย่างเพียงพอ: PSM ลดขนาดตัวอย่างที่มีประสิทธิภาพผ่านการจับคู่ ดังนั้น ควรเริ่มต้นด้วย N ที่ใหญ่กว่า RCT ที่เทียบเท่ากัน
ประมาณค่าคะแนนแนวโน้ม: ใช้การถดถอยโลจิสติก (logistic regression) เพื่อคาดการณ์ความน่าจะเป็นของการกำหนดกลุ่มการรักษา โดยพิจารณาจากตัวแปรร่วมทั้งหมดที่วัดได้ p_i = P(Treatment=1 | Covariates) คะแนนแนวโน้มเป็นค่าสเกลาร์ (0–1) ที่รวบรวมตัวแปรร่วมหลายตัวให้อยู่ในมิติเดียว จากนั้น จับคู่กลุ่มที่ได้รับการรักษา (คะแนน p) กับกลุ่มที่ไม่ได้รับการรักษา (คะแนน q) หาก |p − q| < caliper (ค่าความคลาดเคลื่อนที่ยอมรับได้ โดยทั่วไปคือ 0.1 × SD ของ logit propensity score); วิธีการทั่วไป: การจับคู่เพื่อนบ้านใกล้ที่สุด 1:1 (1:1 nearest neighbor matching), การจับคู่เพื่อนบ้านใกล้ที่สุด 1:m (1:m nearest neighbor), หรือการจับคู่แบบ caliper (caliper matching) ทางเลือกอื่นนอกจากการจับคู่: การถ่วงน้ำหนักคะแนนแนวโน้ม (inverse probability of treatment weighting, IPTW) ถ่วงน้ำหนักกลุ่มที่ได้รับการรักษาด้วย 1/p_i (เพิ่มน้ำหนักให้กลุ่มที่ได้รับการรักษาซึ่งมีจำนวนน้อย) และกลุ่มควบคุมด้วย 1/(1−p_i); สร้างประชากรจำลองที่การรักษาเป็นอิสระจากตัวแปรร่วม ตรวจสอบความสมดุลของตัวแปรร่วม: ค่าความแตกต่างเฉลี่ยมาตรฐาน (standardized mean difference, SMD) ของตัวแปรร่วมระหว่างกลุ่มควรน้อยกว่า 0.1 (ตามอุดมคติคือ < 0.05) หลังการจับคู่ หากไม่เป็นเช่นนั้น ให้เพิ่มค่า caliper หรือรวมตัวแปรร่วมมากขึ้นในแบบจำลองคะแนนแนวโน้ม รายงานความสมดุลก่อนและหลังการจับคู่ผ่านแผนภาพ SMD
หลังจากการจับคู่หรือถ่วงน้ำหนัก ให้เปรียบเทียบผลลัพธ์ระหว่างกลุ่มที่ได้รับการรักษาโดยใช้วิธีการมาตรฐาน (t-test, regression, survival analysis) กับกลุ่มตัวอย่างที่จับคู่/ถ่วงน้ำหนักแล้ว ผลกระทบเฉลี่ยของการรักษาต่อกลุ่มที่ได้รับการรักษา (average treatment effect on the treated, ATT) คือความแตกต่างของผลลัพธ์ในกลุ่มที่จับคู่แล้ว หากการจับคู่สำเร็จ (บรรลุความสมดุลพื้นฐาน) ความแตกต่างนี้จะไม่ถูกปะปนด้วยตัวแปรร่วมที่วัดได้ รายงาน: (1) ความสมดุลของตัวแปรร่วมก่อนและหลังการจับคู่ (ตารางหรือแผนภาพ SMD) (2) จำนวนคู่ที่จับคู่/ไม่จับคู่ (3) ผลกระทบของการรักษา (ความแตกต่างของผลลัพธ์) (4) ช่วงความเชื่อมั่นและค่า p (p-values) (5) การวิเคราะห์ความไวต่อการปะปนของตัวแปรที่ไม่ได้วัด (เช่น Rosenbaum bounds) ตรวจสอบการสนับสนุนร่วม (common support): สัดส่วนของกลุ่มที่ได้รับการรักษาที่มีคะแนนแนวโน้มสูงกว่าคะแนนต่ำสุดของกลุ่มที่ไม่ได้รับการรักษา และต่ำกว่าคะแนนสูงสุดของกลุ่มที่ไม่ได้รับการรักษา การสนับสนุนร่วมที่ไม่ดีทำให้การประมาณค่าไม่น่าเชื่อถือ ใช้การปรับแก้ด้วยการถดถอยกับกลุ่มที่จับคู่แล้วเพื่อควบคุมตัวแปรกวนเพิ่มเติม (การประมาณค่าแบบ doubly robust)
ข้อผิดพลาดที่พบบ่อย
- การจับคู่กับผลลัพธ์: ทำให้การประมาณค่าเอนเอียงเข้าหาศูนย์ (ลดกำลังการทดสอบ) แบบจำลองคะแนนแนวโน้มควรรวมตัวแปรกวน (ตัวแปรที่ทำนายทั้งการรักษาและผลลัพธ์) ไม่ใช่ตัวแปรสื่อกลางหรือผลลัพธ์
- การไม่ตรวจสอบการทับซ้อน: ดำเนินการจับคู่ต่อไปทั้งที่การกระจายคะแนนแนวโน้มของกลุ่มที่ได้รับการรักษาและกลุ่มควบคุมไม่ทับซ้อนกัน ควรตรวจสอบและรายงาน common support เสมอ การประมาณค่าที่อยู่นอกบริเวณที่ทับซ้อนนั้นไม่น่าเชื่อถือ
- การละเลยความสมดุลของตัวแปรร่วม: การสันนิษฐานว่าการจับคู่สำเร็จโดยไม่ได้ตรวจสอบค่าความแตกต่างเฉลี่ยมาตรฐาน ควรรายงานการวินิจฉัยความสมดุล (SMD plots, love plots) เสมอ ความไม่สมดุลบ่งชี้ถึงความจำเป็นในการใช้วิธีการอื่น
- การวิเคราะห์กลุ่มตัวอย่างทั้งหมดแทนกลุ่มตัวอย่างที่จับคู่แล้ว: หากคุณทำการจับคู่แล้ววิเคราะห์ข้อมูลดั้งเดิมทั้งหมด คุณจะละเลยการจับคู่ (ทำให้เสียจุดประสงค์) ควรวิเคราะห์เฉพาะกลุ่มตัวอย่างที่จับคู่แล้ว หรือใช้การถ่วงน้ำหนักกับกลุ่มตัวอย่างทั้งหมด
- P-hacking ด้วยแบบจำลองคะแนนแนวโน้มหลายแบบ: การสร้างแบบจำลองคะแนนแนวโน้มที่แตกต่างกันและเลือกแบบจำลองที่ให้ความสมดุลที่ดีที่สุดหรือผลกระทบของการรักษาที่แข็งแกร่งที่สุด ควรกำหนดแบบจำลองคะแนนแนวโน้มล่วงหน้าตามทฤษฎี และใช้การตรวจสอบไขว้ (cross-validation)
- การอ้างสิทธิ์เชิงสาเหตุโดยไม่มีลำดับเวลาก่อนหลัง: คะแนนแนวโน้มช่วยลดการปะปนของตัวแปรที่วัดได้ แต่ความเป็นสาเหตุต้องมีการรักษาเกิดขึ้นก่อนผลลัพธ์ การมีอยู่ของสาเหตุย้อนกลับยังคงเป็นภัยคุกคามต่อความถูกต้อง
คำถามที่พบบ่อย
คะแนนแนวโน้มคืออะไร และเหตุใดการจับคู่ตามคะแนนนั้นจึงได้ผล?
คะแนนแนวโน้มคือความน่าจะเป็นในการได้รับการรักษาเมื่อพิจารณาจากตัวแปรร่วมที่สังเกตได้ ซึ่งประมาณค่าได้จากการถดถอยโลจิสติก: P(T=1|Covariates) บุคคลสองคนที่มีคะแนนแนวโน้มเดียวกัน จะมีคุณลักษณะพื้นฐานใกล้เคียงกัน (โดยเฉลี่ย) แม้ว่าจะได้รับการรักษาแตกต่างกัน การจับคู่ตามคะแนนแนวโน้มจะสร้างกลุ่มที่เปรียบเทียบกันได้: ในกลุ่มตัวอย่างที่จับคู่แล้ว สถานะการรักษาจะเป็นอิสระจากตัวแปรร่วม (บรรลุความเป็นอิสระแบบมีเงื่อนไข) ซึ่งเทียบเท่ากับการสุ่มตัวอย่างในระดับพื้นฐาน ทำให้สามารถอนุมานเชิงสาเหตุได้ คะแนนแนวโน้มเป็นค่าสเกลาร์ (หนึ่งค่าต่อคน) ช่วยลดการจับคู่จากหลายมิติให้เหลือเพียงมิติเดียว (แก้ปัญหา curse of dimensionality)
ความแตกต่างระหว่างการจับคู่คะแนนแนวโน้มกับการถ่วงน้ำหนักความน่าจะเป็นผกผันของการรักษา (IPTW) คืออะไร?
การจับคู่คะแนนแนวโน้ม: จับคู่บุคคลที่ได้รับการรักษา กับบุคคลที่ไม่ได้รับการรักษาที่มีคะแนนแนวโน้มใกล้เคียงกัน; วิเคราะห์เฉพาะคู่ที่จับคู่กันแล้ว โดยทิ้งบุคคลที่ไม่ถูกจับคู่ไป IPTW (inverse probability weighting): ถ่วงน้ำหนักบุคคลทั้งหมดด้วยคะแนนแนวโน้มผกผัน (ถ่วงน้ำหนักกลุ่มที่ได้รับการรักษาด้วย 1/p, กลุ่มควบคุมด้วย 1/(1−p)) สร้างประชากรจำลองที่การรักษาเป็นอิสระจากตัวแปรร่วม IPTW จะเก็บข้อมูลทั้งหมดไว้ ซึ่งช่วยเพิ่มประสิทธิภาพและกำลังการทดสอบ ทั้งสองวิธีบรรลุความสมดุลของตัวแปรร่วม; IPTW มีประสิทธิภาพทางสถิติมากกว่า ข้อแลกเปลี่ยน: IPTW อาจสร้างค่าน้ำหนักที่สูงมาก หากบุคคลบางคนมีคะแนนแนวโน้มสูงหรือต่ำมาก ซึ่งจะเพิ่มความแปรปรวน; การจับคู่จะหลีกเลี่ยงปัญหานี้ แต่จะสูญเสียข้อมูล
ฉันจะประเมินความสมดุลของตัวแปรร่วมได้อย่างไร และค่าใดที่ยอมรับได้?
คำนวณค่าความแตกต่างเฉลี่ยมาตรฐาน (SMD) สำหรับตัวแปรร่วมแต่ละตัว: SMD = (ค่าเฉลี่ยกลุ่มที่รักษา − ค่าเฉลี่ยกลุ่มควบคุม) / pooled SD โดยทั่วไป ค่า SMD < 0.10 ถือว่า 'สมดุล'; < 0.05 ถือว่ายอดเยี่ยม พล็อตค่า SMD ก่อนและหลังการจับคู่ (love plot): ความสมดุลก่อนและหลังสามารถมองเห็นได้ทันที คำนวณ SMD สำหรับตัวแปรกวนทั้งหมด; หากตัวแปรกวนใดๆ ยังคงไม่สมดุล (SMD > 0.10) หลังการจับคู่ ให้พิจารณา: การเพิ่มค่า caliper (จับคู่แบบหลวมขึ้น), การรวมปฏิสัมพันธ์ในแบบจำลองคะแนนแนวโน้ม, หรือใช้วิธีการอื่น (การแบ่งชั้น, การปรับแก้ด้วยการถดถอย) ห้ามตัดสินความสมดุลด้วยค่า p (p-values ขึ้นอยู่กับขนาดตัวอย่าง) ให้ตรวจสอบค่า SMD ทั้งในเชิงตัวเลขและกราฟเสมอ
การจับคู่คะแนนแนวโน้มสามารถจัดการกับการปะปนของตัวแปรที่ไม่ได้วัดได้หรือไม่?
ไม่ได้ PSM ช่วยลดอคติจากตัวแปรกวนที่วัดได้ (ตัวแปรที่คุณรวบรวมข้อมูลได้) ตัวแปรกวนที่ไม่ได้วัด (เช่น แรงจูงใจของผู้ป่วย ความรุนแรงของโรคที่ไม่ได้วัด กลไกการคัดเลือกที่ซ่อนอยู่) ยังคงไม่ถูกควบคุม ดำเนินการวิเคราะห์ความไว (sensitivity analysis) เพื่อประเมินว่าข้อสรุปมีความอ่อนไหวต่อการปะปนของตัวแปรที่ไม่ได้วัดเพียงใด (Rosenbaum bounds: ตัวแปรกวนที่ไม่ได้วัดต้องมีค่ามากเพียงใดจึงจะเปลี่ยนข้อสรุปได้) ควรกล่าวถึงข้อจำกัดของการปะปนของตัวแปรที่ไม่ได้วัดเสมอ พิจารณาใช้ตัวแปรเครื่องมือ (instrumental variables) หรือการทดลองตามธรรมชาติ (natural experiments) หากการปะปนของตัวแปรที่ไม่ได้วัดเป็นข้อกังวลหลัก
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วAustin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วRubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว