Als Störfaktoren für die Zuordnung gelten Alter, Geschlecht und Nationalität. Verstehe ich richtig, dass beim Abgleichen nach Nationalität Personen aus ähnlichen Ländern abgeglichen werden? Vielen Dank für Ihre Mitarbeit.
Können Sie uns weitere Informationen zur Beschaffenheit Ihrer Daten geben? Vielleicht eine Stichprobe oder eine anonymisierte Stichprobe? So können wir Ihre Frage besser beantworten.
Hallo.
Mein Name ist Ono und ich bin leitender Tester in der JMP Japan-Abteilung des SAS Institute Japan.
Vielleicht verstehe ich Ihre Frage falsch, aber: Als Antwort auf diese Frage hier meine persönliche Meinung:
Wie das Sprichwort sagt: „Der Sammelbegriff für Statistiker ist ‚Streit‘.“ Ich glaube, dass es viele verschiedene Denkweisen über Statistiken gibt, daher ist das Folgende nur eine Denkweise.
Beim Propensity Score Matching werden in erster Linie Paare mit ähnlichen Propensity Scores abgeglichen. Daher müssen Paare mit ähnlichen Störfaktoren (Kovariaten) nicht unbedingt übereinstimmen. Dieses Merkmal des Propensity Score Matching wurde oft stark kritisiert. Zu den bekannten kritischen Artikeln zum Propensity Score Matching gehören die folgenden:
Gary King und Richard Nielsen. 2019. „Warum Propensity Scores nicht für Matching verwendet werden sollten.“ Political Analysis, 27, 4, S. 435–454. Die Verlagsversion finden Sie unter https://tinyurl.com/y5b5yjxo
Um den Kern dieser Kritik zu verstehen, bedenken Sie: Was passiert, wenn Propensity Score Matching in einer vollständig randomisierten kontrollierten Studie durchgeführt wird? Ich denke, man kann sich am besten Folgendes vorstellen. In einer vollständig randomisierten kontrollierten Studie liegen alle Neigungswerte bei 0,5, sodass eine Zuordnung zu jedem Patienten akzeptabel ist. Daher kann es sein, dass ein 60-jähriger Japaner mit einer 30-jährigen Mexikanerin zusammengebracht wird (weil beide einen Propensity Score von 0,5 haben). Auch wenn es nicht so extrem ist: Wenn ein 60-jähriger Japaner und eine 30-jährige Mexikanerin ähnliche Propensity-Score-Werte aufweisen, können sie mithilfe des Propensity-Score-Matchings zugeordnet werden.
Ich denke, das hypothetische Beispiel in der japanischen Übersetzung von „Was ist kausale Inferenz?“ von Rosenbaum, PR (übersetzt von Takada Yuya und Takahashi Koji), S. 49–53, wird Ihnen auch dabei helfen, intuitiv zu verstehen, was Propensity Score Matching bewirkt.
Wenn die Störfaktoren (Kovariaten) gleich sind, ist auch der Neigungswert gleich. Das Gegenteil ist jedoch nicht der Fall. selbst wenn die Neigungswerte gleich sind, sind die Störfaktoren (Kovariaten) nicht dieselben. (Technisch gesehen wird der Propensity Score (und seine monoton transformierte Form) als der gröbste Balancing Score bezeichnet.)
Auch wenn Propensity Score Matching durch Ermittlung der Propensity Scores mithilfe eines logistischen Regressionsmodells mit Nationalität, Geschlecht und Alter als erklärenden Variablen durchgeführt wird, führt dies nicht unbedingt zu einer Übereinstimmung mit „ähnlichen Ländern“ (z. B. Ländern mit ähnlichen Ernährungsgewohnheiten, Ländern mit ähnlichen medizinischen Praktiken, Ländern mit ähnlichen Versicherungssystemen, Ländern mit ähnlicher Begleitmedikation, Ländern mit ähnlicher Altersstruktur usw.). Tatsächlich kann es vorkommen, dass ein 60-jähriger Japaner mit einer 30-jährigen Mexikanerin zusammengebracht wird.
Wenn die obige Antwort Ihre Frage nicht beantwortet, lassen Sie es uns bitte wissen.
