Bei binärer Behandlung können Sie mit der Kausalbehandlungsfunktion in JMP zwischen vier Schätzverfahren wählen: inverse Wahrscheinlichkeitsgewichtung mit Verhältnisanpassung (IPWR), Regressionsanpassung (REGADJ), erweiterte inverse Wahrscheinlichkeitsgewichtung (AIPW) und Propensity Score Matching. Möglicherweise sind Sie mit einer dieser Schätzmethoden vertraut, wissen aber nicht, wo Sie anfangen sollen. Zusammen mit dem Blogbeitrag „Einführung in die Kausalbehandlung“ und der Hilfedokumentation zu JMP 19 sollte dieser Artikel Ihnen bei der Entscheidung helfen, welche Ergebnisse Sie melden möchten.
Wenn Sie an der Auswirkung einer binären Behandlung auf ein Ergebnis interessiert sind, können Sie mit der Persönlichkeit „Kausale Behandlung“ zwei Modelle angeben: ein Behandlungsmodell und ein Reaktionsmodell. Das Behandlungsmodell schätzt die Wahrscheinlichkeit, dass eine Beobachtung behandelt wurde. Das Reaktionsmodell schätzt den Erwartungswert des Ergebnisses auf beiden Behandlungsebenen. IPWR und Propensity Score Matching verwenden Informationen über das Behandlungsmodell, um kausale Effekte abzuschätzen. REGADJ verwendet Informationen über das Reaktionsmodell. AIPW verwendet Informationen zu beiden.
Wenn Sie den Blogbeitrag „Einführung in die kausale Behandlung“ gelesen haben, erinnern Sie sich vielleicht an die drei notwendigen Annahmen für die Durchführung kausaler Inferenz auf Grundlage von Beobachtungsdaten: Positivität, Konsistenz und bedingte Austauschbarkeit. Für korrekte kausale Inferenzen müssen diese Annahmen getroffen werden. Außerdem müssen Sie davon ausgehen, dass Sie die bedingten Verteilungen der Behandlung unter Berücksichtigung der Störfaktoren bzw. der Reaktion unter Berücksichtigung der Behandlung und der Störfaktoren korrekt modellieren. Dies ist eine starke Annahme, da wir wahrscheinlich nicht viel über die datengenerierenden Prozesse wissen, die die vorliegenden Stichproben hervorbringen. Da der AIPW-Schätzer jedoch Informationen sowohl aus den angegebenen Behandlungs- als auch aus den Reaktionsmodellen verwendet, ist seine Wahrscheinlichkeit, die richtigen Antworten auf kausale Fragen zu liefern, höher.
Der AIPW-Schätzer ist als doppelt robuster Schätzwert bekannt. Während die IPWR-, Propensity Score Matching- und REGADJ-Schätzer erfordern, dass entweder das Behandlungs- oder das Antwortmodell „richtig“ ist, bietet der AIPW-Schätzer zwei Chancen. Der AIPW-Schätzer ist konsistent, wenn entweder das Behandlungs- oder das Antwortmodell korrekt angegeben ist (Scharfstein et al., 1999). Konsistenz bedeutet, dass Sie mit zunehmender Stichprobengröße dem wahren kausalen Effekt, den Sie schätzen möchten, immer näher kommen. Doppelte Robustheit ist ein beliebter Begriff in der kausalen Inferenz, da es sich um eine wünschenswerte Eigenschaft handelt, die es Ihnen ermöglicht, alle verfügbaren Informationen zu nutzen, um dem Zielschätzwert so nahe wie möglich zu kommen.
Die Persönlichkeitseinstellung „Kausale Behandlung“ ist großartig, da Sie damit den gewünschten Schätzwert auswählen können. Wenn Sie einen der anderen drei Schätzwerte verwenden möchten, sollten Sie Folgendes beachten:
- Der Propensity Score Matching-Schätzer kann Ihnen typischerweise nur eine Schätzung des durchschnittlichen Behandlungseffekts auf die Behandelten (ATET) und nicht des durchschnittlichen Behandlungseffekts (ATE) liefern (Abadie & Imbens, 2006) . Definieren Sie klar, an welchem kausalen Schätzwert Sie interessiert sind, bevor Sie diese Methode in Betracht ziehen.
- Methoden, die das Behandlungsmodell verwenden (d. h. IPWR und Propensity Score Matching), funktionieren möglicherweise besser bei kleineren Stichproben, da die Anzahl der Störfaktoren die Anzahl der Beobachtungen übersteigen könnte, was zu unzuverlässigen Ergebnissen bei der Ergebnisregression führen könnte (Benedetto et al., 2018). IPWR und Matching fassen alle Störfaktorinformationen in einer Zahl zusammen, dem Propensity Score, was dazu beiträgt, dieses Problem zu mildern.
- Bei extremen Propensity Scores kann REGADJ gegenüber IPWR und Propensity Score Matching einen Vorteil haben. Viele sehr kleine oder sehr große Propensity Scores können dazu führen, dass viele Beobachtungen aus der Analyse ausgeschlossen werden, was die Stichprobengröße verringert und somit die Genauigkeit der Schätzung mindert (Elze et al., 2017).
Es wird nicht empfohlen, die Ergebnisse aller vier Schätzmethoden im Nachhinein zu vergleichen. Dieser Beitrag hilft Ihnen hoffentlich dabei, a priori die richtige Schätzmethode für Ihre Daten auszuwählen, während die anderen Schätzmethoden für Sensitivitätsanalysen verwendet werden können.
Zusätzlich zu diesen vier Schätzmethoden können in JMP viele weitere Schätzmethoden in mehrstufigen Prozessen implementiert werden. Beispielsweise kann AIPW so durchgeführt werden, dass die Behandlungs- und Reaktionsmodelle mithilfe von Machine-Learning-Tools wie den Add-Ins XGBoost und Torch oder mithilfe der Plattformen für verallgemeinerte Regression und GLMM angepasst werden.
Dieser Blog wurde gemeinsam mit Safiya Sirota ( @safiya_jmp ) verfasst, die während ihres Praktikums bei uns zu dieser Arbeit beigetragen hat.
Verweise
Abadie A, Imbens GW (2006). „Große Stichprobeneigenschaften von Matching-Schätzern für durchschnittliche Behandlungseffekte“. Ökonometrie , 74(1), 235–267.https://doi.org/10.1111/j.1468-0262.2006.00655.x
Benedetto U, Head, SJ, Angelini, GD, Blackstone, EH (2018). „Statistische Einführung: Propensity Score Matching und seine Alternativen“. Europäisches Journal für Herz-Thorax-Chirurgie, 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). „Vergleich von Propensity-Score-Methoden und Kovariatenadjustierung: Auswertung in 4 kardiovaskulären Studien“. Zeitschrift des American College of Cardiology, 69 (3), 345–357. https://doi.org/10.1016/j.jacc.2016.10.060
Glynn AN, Quinn KM (2010). „Eine Einführung in den erweiterten inversen Neigungsgewichteten Schätzer“. Politische Analyse, 18 (1), 36–56. https://doi.org/10.1093/pan/mpp036
Scharfstein DO, Rotnitzky A, Robins JM (1999). „Anpassung für nicht ignorierbare Drop-outs mithilfe semiparametrischer Nonresponse-Modelle“. Zeitschrift der American Statistical Association , 94(448), 1096–1120.
Könnten Sie mir ein Beispiel geben, das zeigt, wie man diese Funktion in JMP verwendet? Ich bin mir nicht sicher, wie ich die Analyse einrichten soll.
