Eğilim Skoru Eşleştirmesi
- Ortaya koyan
- Paul Rosenbaum and Donald Rubin
- Yıl
- 1983
- Tür
- Method
- Aile
- causal-inference
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Eğilim skoru eşleştirmesi (PSM), gözlemsel çalışmalarda, tedavi grupları arasındaki başlangıç özelliklerini dengeleyerek, rastgeleleştirmeyi simüle ederek karıştırıcı yanlılığı azaltmak için kullanılan bir yöntemdir.
Rosenbaum ve Rubin (1983) tarafından geliştirilen bu yöntem, gözlemlenen kovaryetler verildiğinde tedavi alma olasılığını tahmin eder, ardından benzer tedavi olasılıklarına sahip tedavi edilmiş ve kontrol bireylerini eşleştirir veya ağırlıklandırır. Rastgeleleştirilmiş denemelerin uygulanamaz veya etik olmadığı durumlarda tıp, epidemiyoloji ve politika değerlendirmelerinde yaygın olarak kullanılır, seçim yanlılığını kontrol ederken tedavi etkilerinin tahmin edilmesini sağlar.
Yöntemin mantığı
Rastgeleleştirilmiş denemeler başlangıç özelliklerini otomatik olarak dengeler, nedensel çıkarıma olanak tanır. Gözlemsel çalışmalar rastgeleleştirme eksikliğine sahiptir; tedavi edilmiş bireyler genellikle tedavi edilmemişlerden sistematik olarak farklıdır (seçim yanlılığı). Tedavi grupları arasındaki sonuçların karşılaştırılması, tedavi etkilerini önceden var olan farklılıklarla karıştırır. Eğilim skoru eşleştirmesi (PSM), her kişinin başlangıç özelliklerine göre tedavi alma olasılığını tahmin eder. Benzer eğilim skorlarına (tedavi olasılıkları) sahip tedavi edilmiş ve edilmemiş bireyleri eşleştirerek, PSM başlangıçta karşılaştırılabilir iki grup oluşturur, rastgeleleştirmeyi taklit eder. Bu, ölçülen kovaryetler için karıştırıcı yanlılığı ortadan kaldırır, geçerli nedensel çıkarıma izin verir. Temel varsayım: koşullu bağımsızlık — gözlemlenen kovaryetler verildiğinde, tedavi ataması rastgeledir (ölçülmemiş karıştırıcı yoktur).
Tarih
Paul Rosenbaum ve Donald Rubin'in 1983 tarihli temel makalesi, eşleştirmeyi ve nedensel çıkarımı potansiyel sonuçlar çerçevesi (Rubin, 1974) aracılığıyla birleştirdi. Eğilim skoru eşleştirmesinin kovaryet dengesi sağladığını, yanlılığı azalttığını kanıtladılar. Peter Austin'in çalışmaları (2010'lar) denge tanılarını ve ağırlıklandırma yöntemlerini geliştirdi. Modern uzantılar şunları içerir: sürekli tedaviler için genelleştirilmiş eğilim skoru (Hirano & Imbens, 2004), eğilim ve sonuç modellerini birleştiren çift sağlam yöntemler (van der Laan & Robins, 2003), hedeflenen maksimum olabilirlik tahmini (TMLE; van der Laan & Rose, 2011).
Ne zaman kullanılır?
Gözlemsel çalışmalar yürütürken ve rastgeleleştiremezken, ancak tüm karıştırıcılar ölçülmüşse eğilim skoru eşleştirmesini kullanın. Tıbbi araştırma: başlangıç riskine sahip benzer tedavi edilmiş/edilmemiş hastaları karşılaştırarak tedavi etkinliğini (cerrahi vs konservatif bakım) değerlendirme. Politika değerlendirmesi: program etkisini (örneğin, istihdam üzerindeki mesleki eğitim) katılımcıları ve eşleştirilmiş katılımcı olmayanları karşılaştırarak değerlendirme. Epidemiyoloji: başlangıç özelliklerini kontrol ederken maruziyete (hastalık riski) bağlı hastalık riskini tahmin etme. Ön koşul: tedavi atamasından önce karıştırıcılar hakkında yeterli başlangıç verisi toplanmış olmalıdır; ölçülmemiş karıştırıcı (örneğin, ölçülmemiş hastalık şiddeti) bir tehdit olmaya devam eder.
Sınırlar ve dikkat edilmesi gerekenler
- Koşullu bağımsızlık varsayımı: yalnızca ilgili tüm karıştırıcılar ölçülmüşse geçerlidir. Ölçülmemiş karıştırıcılar (örneğin, ölçülmemiş hastalık şiddeti, hasta tercihi) kontrolsüz kalır; PSM bunları tespit edemez veya düzeltemez.
- Verimsizlik: eşleştirme örneklem boyutunu azaltır (eşleştirilmemiş bireyler atılır); eşleştirilmiş analizler, eşleştirilmemiş regresyona göre istatistiksel olarak daha az güçlüdür.
- Sınırlı örtüşme: tedavi edilmiş ve edilmemiş popülasyonlar çok farklı kovaryet dağılımlarına sahipse, örtüşme bölgesi küçüktür; tahminler yalnızca örtüşme bölgesiyle sınırlıdır.
- Model bağımlılığı: eğilim skoru tahminleri, lojistik regresyonun doğru belirtilmesine bağlıdır; yanlış belirtme (çıkarılmış etkileşimler, doğrusal olmayan ilişkiler) zayıf dengeye yol açar.
- Bilgi kaybı: bire bir eşleştirme, potansiyel olarak bilgilendirici eşleştirilmemiş bireyleri atar; bire çok eşleştirme veya ağırlıklandırma tüm verileri korur.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Karıştırıcı yanlılığı azaltır: ölçülen karıştırıcılar üzerinde dengelenmiş gruplar oluşturarak, PSM bu değişkenler için rastgeleleştirmeyi taklit eder, nedensel çıkarıma olanak tanır.
- Yorumlanabilir: eğilim skoru, birçok kovaryeti tek bir skalerde birleştirir; kovaryet dengesinin nasıl sağlandığı şeffaftır.
- Esnek: ikili veya çoklu tedavilerle çalışır; sürekli tedavilere (genelleştirilmiş eğilim skoru) genişletilebilir.
- Tanısal: kovaryet denge değerlendirmesi (SMD, love plotları) yanlılığın azaltılmasına dair net kanıtlar sunar; analiz öncesi dengesizlik görünür.
- Çift sağlam: sonuç regresyonu ile birleştirildiğinde, tahminci ya eğilim modeli ya da sonuç modeli doğruysa tutarlıdır (yanlış belirtilmeye karşı dayanıklılık).
Uygulama alanları
- Karşılaştırmalı etkinlik araştırması: deneysel rastgeleleştirme olmadan elektronik sağlık kayıtlarında tedavi sonuçlarını (ilaç A vs B, cerrahi vs tıbbi yönetim) değerlendirme.
- Politika değerlendirmesi: program etkisini (iş eğitimi, okul müdahaleleri) sonuçlar (istihdam, kazanç) üzerinde değerlendirme, program katılımcılarını eşleştirilmiş katılımcı olmayanlarla karşılaştırma.
- Epidemiyolojik kohort çalışmaları: gözlemsel verilerde maruziyetlerden (sigara, diyet) hastalık riskini tahmin etme, demografik ve yaşam tarzı karıştırıcılarını ayarlarken.
- Ekonomik etki çalışmaları: düzenleyici değişikliklerin, vergi politikalarının veya sağlık reformlarının bireysel sonuçlar üzerindeki etkilerini değerlendirme; tedavi edilmiş ve kontrol durumlarını dengeleme.
- Aşı etkinliği: RCT'ler uygulanamadığında başlangıç risk faktörlerine göre eşleştirilmiş aşılanmış vs aşılanmamış bireylerde sonuçları (enfeksiyon oranları, hastalık şiddeti) karşılaştırma.
Nasıl çalışır?
Nasıl çalışır?
Eğilim skoru eşleştirmesini şu şekilde uygulayın: (1) ilgilenilen sonucu, tedavi değişkenini (ikili veya çoklu) ve ilgili tüm karıştırıcıları (hem tedaviyi hem de sonucu etkileyen başlangıç özellikleri) belirleyin, (2) tüm katılımcılar üzerinde kovaryet verilerini toplayın, (3) örtüşme varsayımını kontrol edin: tedavi ve kontrol grupları eğilim skorlarının örtüşen aralıklara sahip olmalıdır; örtüşme eksikliği temel bir karşılaştırılamazlık gösterir, (4) örneklemi tanımlayın: tedavi niyeti (orijinal gruplarda analiz) veya protokol başına (eşleştirilmiş örneklemi analiz; nedensellik iddiaları dikkat gerektirir). Yeterli örneklem boyutunu sağlayın: PSM, eşleştirme yoluyla etkili örneklem boyutunu azaltır, bu nedenle eşdeğer bir RCT'den daha büyük bir N ile başlayın.
Eğilim skorlarını tahmin edin: ölçülen tüm kovaryetler verildiğinde tedavi ataması olasılığını tahmin etmek için lojistik regresyon kullanın. p_i = P(Tedavi=1 | Kovaryetler). Eğilim skoru, birden çok kovaryeti tek bir boyuta indirgeyen bir skalerdir (0–1). Ardından, tedavi edilmiş (skor p) bireyleri tedavi edilmemiş (skor q) bireylerle |p − q| < kalibre (tolerans, tipik olarak logit eğilim skorunun standart sapmasının 0.1'i) ise eşleştirin; yaygın yaklaşımlar: 1:1 en yakın komşu eşleştirmesi, 1:m en yakın komşu veya kalibre eşleştirmesi. Eşleştirmeye alternatif: eğilim skoru ağırlıklandırması (tedavi olasılığının tersi ağırlıklandırması, IPTW). Tedavi edilmiş bireyleri 1/p_i ile (yetersiz temsil edilen tedavi edilmişleri fazla ağırlıklandırma) ve kontrolleri 1/(1−p_i) ile ağırlıklandırın; tedavi kovaryetlerden bağımsız olduğu bir sözde popülasyon üretir. Kovaryet dengesini kontrol edin: eşleştirme sonrası gruplar arasındaki kovaryetlerde standartlaştırılmış ortalama farkı (SMD) < 0.1 (ideal olarak < 0.05) olmalıdır; değilse, kalibreyi artırın veya eğilim modeline daha fazla kovaryet dahil edin. SMD çizimleri aracılığıyla öncesi/sonrası dengeyi raporlayın.
Eşleştirme veya ağırlıklandırmadan sonra, eşleştirilmiş/ağırlıklandırılmış örneklem üzerinde standart yöntemler (t-testi, regresyon, sağkalım analizi) kullanarak tedavi grupları arasındaki sonuçları karşılaştırın. Tedavi edilenler üzerindeki ortalama tedavi etkisi (ATT), eşleştirilmiş örneklemdeki sonuç farkıdır; eşleştirme başarılıysa (başlangıç dengesi sağlandıysa), bu fark ölçülen kovaryetler tarafından karıştırılmamıştır. Raporlayın: (1) eşleştirmeden önce ve sonra kovaryet dengesi (SMD tabloları veya çizimleri), (2) eşleştirilmiş/eşleştirilmemiş çiftlerin sayısı, (3) tedavi etkisi (sonuçlardaki fark), (4) güven aralıkları ve p-değerleri, (5) ölçülmemiş karıştırıcıya duyarlılık analizi (örneğin, Rosenbaum sınırları). Ortak destek inceleyin: eğilim skorları minimum tedavi edilmemiş skorun üzerinde ve maksimum tedavi edilmemiş skorun altında olan tedavi edilmişlerin oranı; zayıf örtüşme tahminleri geçersiz kılar. Çift sağlam tahmin (doubly robust estimation) için eşleştirilmiş örneklem üzerinde ek karıştırıcı kontrolü olarak regresyon ayarlaması kullanın.
Sık yapılan hatalar
- Sonuç üzerinde eşleştirme: tahminleri sıfıra doğru yanlı kılar (gücü azaltır). Eğilim skoru modellemesi karıştırıcıları (hem tedaviyi hem de sonucu tahmin eden değişkenler) içermelidir, aracılar veya sonuçlar değil.
- Örtüşmeyi kontrol etmeyi başaramama: tedavi edilmiş/kontrol eğilim dağılımları örtüşmediğinde eşleştirmeyle devam etme. Her zaman ortak desteği kontrol edin ve raporlayın; örtüşme dışındaki tahminler güvenilmez ekstrapolasyonlardır.
- Kovaryet dengesini göz ardı etme: eşleştirmenin işe yaradığını standartlaştırılmış ortalama farklarını incelemeden varsayma. Her zaman denge tanılarını (SMD çizimleri, love plotları) raporlayın; dengesizlik alternatif bir yaklaşıma ihtiyaç olduğunu gösterir.
- Tam örneklem yerine eşleştirilmiş örneklemi analiz etme: eşleştirme yapıp tüm orijinal verileri analiz ederseniz, eşleştirmeyi göz ardı etmiş olursunuz (amacını boşa çıkarır). Yalnızca eşleştirilmiş örneklemi analiz edin veya tam örneklem üzerinde ağırlıklandırma kullanın.
- Birden çok eğilim modeliyle p-hacking: farklı eğilim modelleri uyarlayıp en iyi dengeyi veya en güçlü tedavi etkisini veren modeli seçme. Eğilim modelini teoriye göre önceden belirleyin; çapraz doğrulama kullanın.
- Zamansal öncelik olmadan nedensel iddialar: eğilim skoru ölçülen kovaryetler üzerindeki karıştırıcıyı azaltır, ancak nedensellik tedavinin sonuçtan önce olmasını gerektirir. Ters nedensellik hala geçerliliği tehdit eder.
Sık sorulan sorular
Eğilim skoru nedir ve ona göre eşleştirme neden işe yarar?
Eğilim skoru, gözlemlenen kovaryetler verildiğinde tedavi alma olasılığıdır, lojistik regresyon aracılığıyla tahmin edilir: P(T=1|Kovaryetler). Aynı eğilim skoruna sahip iki birey, farklı tedavi edilmiş olsalar bile (beklenti dahilinde) benzer başlangıç özelliklerine sahiptir. Eğilim skorlarına göre eşleştirme, karşılaştırılabilir gruplar oluşturur: eşleştirilmiş örneklemde, tedavi durumu kovaryetlerden bağımsızdır (koşullu bağımsızlık sağlanır). Bu, başlangıçta rastgeleleştirme yapmaya eşdeğerdir, nedensel çıkarıma olanak tanır. Eğilim skoru bir skalerdir (kişi başına bir sayı), eşleştirmeyi çoklu boyutlardan tek bir boyuta indirger (boyutluluk laneti çözülür).
Eğilim skoru eşleştirmesi ile tersi tedavi olasılığı ağırlıklandırması (IPTW) arasındaki fark nedir?
Eğilim skoru eşleştirmesi: tedavi edilmiş bireyleri benzer eğilim skorlarına sahip tedavi edilmemiş bireylerle eşleştirir; yalnızca eşleştirilmiş çiftleri analiz eder, eşleştirilmemiş bireyleri atar. IPTW (tersi tedavi olasılığı ağırlıklandırması): tüm bireyleri ters eğilim skorlarına göre ağırlıklandırır (tedavi edilmişleri 1/p, kontrolleri 1/(1−p) ile ağırlıklandırır), tedavi kovaryetlerden bağımsız olduğu bir sözde popülasyon oluşturur. IPTW tüm verileri korur, verimliliği ve gücü artırır. Her ikisi de kovaryet dengesi sağlar; IPTW istatistiksel olarak daha verimlidir. Ödünleşme: IPTW, bazı bireylerin çok yüksek veya çok düşük eğilim skorlarına sahip olması durumunda aşırı ağırlıklar üretebilir, varyansı artırır; eşleştirme bunu önler ancak veri kaybına neden olur.
Kovaryet dengesini nasıl değerlendiririm ve ne kabul edilebilir?
Her kovaryet için standartlaştırılmış ortalama farkını (SMD) hesaplayın: SMD = (tedavi_ortalaması − kontrol_ortalaması) / havuzlanmış SD. SMD < 0.10 genellikle 'dengeli' olarak kabul edilir; < 0.05 mükemmeldir. SMD'leri eşleştirmeden önce ve sonra çizin (love plot): öncesi/sonrası denge bir bakışta görünür. Tüm karıştırıcılar için SMD'yi hesaplayın; eşleştirmeden sonra herhangi biri dengesiz kalırsa (SMD > 0.10), şunları düşünün: kalibreyi genişletme (daha gevşek eşleştirme), eğilim modeline etkileşimleri dahil etme veya alternatif yöntemler kullanma (tabakalama, regresyon ayarlaması). Dengeyi p-değerleriyle asla yargılamayın (p-değerleri örneklem boyutuna bağlıdır); her zaman SMD'yi sayısal ve grafiksel olarak inceleyin.
Eğilim skoru eşleştirmesi ölçülmemiş karıştırıcıyı ele alabilir mi?
Hayır. PSM, ölçülen karıştırıcıların (veri topladığınız) yanlılığını azaltır. Ölçülmemiş karıştırıcılar (örneğin, hasta motivasyonu, ölçülmemiş hastalık şiddeti, gizli seçim mekanizmaları) kontrolsüz kalır. Sonuçların ölçülmemiş karıştırıcıya ne kadar duyarlı olduğunu değerlendirmek için duyarlılık analizi yapın (Rosenbaum sınırları: sonuçları değiştirmek için ne kadar güçlü bir ölçülmemiş karıştırıcı gerekir). Her zaman ölçülmemiş karıştırıcı sınırlamalarını tartışın. Ölçülmemiş karıştırıcı büyük bir endişe kaynağıysa, araç değişkenleri veya doğal deneyleri düşünün.
İlgili yöntemler
Kaynaklar
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.
DOI kaynağını açKopyalandı.Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.
DOI kaynağını açKopyalandı.Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
DOI kaynağını açKopyalandı.