Lorsque le traitement est binaire, la personnalité du traitement causal dans JMP vous permet de choisir entre quatre techniques d'estimation : la pondération inverse des probabilités avec ajustement du ratio (IPWR), l'ajustement par régression (REGADJ), la pondération inverse des probabilités augmentée (AIPW) et l'appariement par score de propension. Vous êtes peut-être à l'aise avec l'une de ces méthodes d'estimation, ou vous ne savez peut-être pas par où commencer. En complément de l'article de blog « Introduction au traitement causal » et de la documentation d'aide de JMP 19, cet article devrait vous aider à choisir les résultats à présenter.
Si vous vous intéressez à l'effet d'un traitement binaire sur un résultat, la personnalité causale du traitement vous permet de spécifier deux modèles : un modèle de traitement et un modèle de réponse. Le modèle de traitement estime la probabilité qu'une observation ait reçu un traitement. Le modèle de réponse estime la valeur attendue du résultat aux deux niveaux de traitement. L'IPWR et l'appariement par score de propension utilisent les informations du modèle de traitement pour estimer les effets causaux. REGADJ utilise les informations du modèle de réponse. AIPW utilise les informations des deux.
Si vous avez lu l'article de blog « Introduction au traitement causal », vous vous souviendrez peut-être des trois hypothèses nécessaires à l'inférence causale sur des données d'observation : positivité, cohérence et interchangeabilité conditionnelle. Pour des inférences causales correctes, ces hypothèses doivent être posées, et vous devez également supposer que vous modélisez correctement les distributions conditionnelles du traitement compte tenu de l'ensemble de facteurs confondants, ou la réponse compte tenu du traitement et de l'ensemble de facteurs confondants. Il s'agit d'une hypothèse forte, car nous ne connaissons probablement pas grand-chose des processus de génération de données qui produisent les échantillons dont nous disposons. Cependant, comme l'estimateur AIPW utilise les informations des modèles de traitement et de réponse spécifiés, il a de meilleures chances de produire les bonnes réponses aux questions causales.
L'estimateur AIPW est connu pour être un estimateur doublement robuste . Alors que les estimateurs IPWR, l'appariement par score de propension et REGADJ exigent que le modèle de traitement ou de réponse soit correct, l'estimateur AIPW offre deux chances. L'estimateur AIPW sera cohérent si le modèle de traitement ou de réponse est correctement spécifié (Scharfstein et al., 1999). La cohérence signifie qu'à mesure que la taille de l'échantillon augmente, l'effet causal réel que l'on souhaite estimer se rapproche de plus en plus. La double robustesse est un terme courant en inférence causale, car c'est une propriété souhaitable qui permet d'utiliser toute l'information disponible pour se rapprocher au maximum de l'estimand cible.
La personnalité du traitement causal est intéressante car elle vous permet de choisir l'estimateur que vous souhaitez utiliser. Si vous souhaitez utiliser l'un des trois autres estimateurs, voici quelques points à retenir :
- L'estimateur d'appariement par score de propension ne fournit généralement qu'une estimation de l'effet moyen du traitement sur les sujets traités (ATET) et non de l'effet moyen du traitement (ATE) (Abadie et Imbens, 2006) . Définissez clairement l'estimateur causal qui vous intéresse avant d'envisager cette méthode.
- Les méthodes qui utilisent le modèle de traitement (c'est-à-dire l'IPWR et l'appariement par score de propension) peuvent mieux fonctionner dans des échantillons plus petits, car le nombre de facteurs de confusion pourrait dépasser le nombre d'observations, ce qui entraînerait des résultats peu fiables dans la régression des résultats (Benedetto et al., 2018). L'IPWR et l'appariement regroupent toutes les informations sur les facteurs de confusion en un seul nombre, le score de propension, ce qui contribue à atténuer ce problème.
- REGADJ peut présenter un avantage par rapport à l'IPWR et à l'appariement par score de propension lorsque les scores de propension sont extrêmes. De nombreux scores de propension très faibles ou très élevés pourraient entraîner l'exclusion de nombreuses observations de l'analyse, réduisant ainsi la taille de l'échantillon et, par conséquent, la précision de l'estimation (Elze et al., 2017).
Il n'est pas recommandé de comparer les résultats des quatre estimateurs a posteriori. Nous espérons que cet article vous aidera à choisir a priori l'estimateur le plus adapté à vos données, tandis que les autres méthodes d'estimation peuvent être utilisées pour les analyses de sensibilité.
Outre ces quatre méthodes d'estimation, de nombreuses autres peuvent être implémentées dans JMP via des processus en plusieurs étapes. Par exemple, l'AIPW peut être exécuté afin d'ajuster les modèles de traitement et de réponse à l'aide d'outils d'apprentissage automatique tels que les modules complémentaires XGBoost et Torch, ou en utilisant les plateformes de régression généralisée et GLMM.
Ce blog a été co-écrit avec Safiya Sirota ( @safiya_jmp ), qui a contribué à ce travail lors de son stage chez nous.
Références
Abadie A, Imbens GW (2006). « Propriétés des estimateurs d'appariement pour les effets moyens du traitement sur grands échantillons ». Économétrie , 74(1), 235–267.https://doi.org/10.1111/j.1468-0262.2006.00655.x
Benedetto U, Head, SJ, Angelini, GD, Blackstone, EH (2018). « Introduction statistique : Appariement par score de propension et ses alternatives ». Revue européenne de chirurgie cardio-thoracique, 53 (6), 1112–1117. https://doi.org/10.1093/ejcts/ezy167
Elze MC, Gregson J, Baber U, Williamson E, Sartori S, Mehran R, Nichols M, Stone GW, Pocock SJ (2017). « Comparaison des méthodes de score de propension et d'ajustement des covariables : évaluation dans quatre études cardiovasculaires ». Journal de l'American College of Cardiology, 69 (3), 345–357. https://doi.org/10.1016/j.jacc.2016.10.060
Glynn AN, Quinn KM (2010). « Introduction à l'estimateur pondéré par la propension inverse augmentée ». Analyse politique, 18 (1), 36–56. https://doi.org/10.1093/pan/mpp036
Scharfstein DO, Rotnitzky A, Robins JM (1999). « Ajustement pour les abandons non ignorables à l'aide de modèles de non-réponse semi-paramétriques ». Journal de l'Association américaine de statistique , 94(448), 1096–1120.
Pourriez-vous me donner un exemple d'utilisation de cette fonctionnalité dans JMP ? Je ne sais pas comment configurer l'analyse.
