Quando il trattamento è binario, la personalità del Trattamento Causale in JMP consente di scegliere tra quattro tecniche di stima: ponderazione della probabilità inversa con aggiustamento del rapporto (IPWR), aggiustamento della regressione (REGADJ), ponderazione della probabilità inversa aumentata (AIPW) e abbinamento del punteggio di propensione. Potresti avere familiarità con uno di questi metodi di stima, oppure potresti non sapere da dove iniziare. Insieme al post del blog "Introduzione al Trattamento Causale" e alla documentazione di supporto di JMP 19, questo articolo dovrebbe aiutarti a decidere quali risultati riportare.
Se si è interessati all'effetto di un trattamento binario su un esito, la personalità del Trattamento Causale consente di specificare due modelli: un modello di trattamento e un modello di risposta. Il modello di trattamento stima la probabilità che un'osservazione abbia ricevuto un trattamento. Il modello di risposta stima il valore atteso dell'esito a entrambi i livelli del trattamento. IPWR e il propensity score matching utilizzano informazioni sul modello di trattamento per stimare gli effetti causali. REGADJ utilizza informazioni sul modello di risposta. AIPW utilizza informazioni su entrambi.
Se avete letto il post del blog "Introduzione al Trattamento Causale", potreste ricordare i tre presupposti necessari per eseguire inferenze causali su dati osservativi: positività, coerenza e intercambiabilità condizionale. Per inferenze causali corrette, è necessario fare questi presupposti e si deve anche presumere di modellare correttamente le distribuzioni condizionali del trattamento, dato l'insieme di confondimento, o la risposta, dati il trattamento e l'insieme di confondimento. Questa è un'ipotesi forte, poiché è probabile che non sappiamo molto sui processi di generazione dei dati che producono i campioni che abbiamo di fronte. Tuttavia, poiché lo stimatore AIPW utilizza informazioni provenienti sia dal trattamento specificato che dai modelli di risposta, ha maggiori probabilità di produrre le risposte corrette alle domande causali.
Lo stimatore AIPW è noto come stimatore doppiamente robusto . Mentre gli stimatori IPWR, Propensity Score Matching e REGADJ richiedono che il modello di trattamento o di risposta sia "corretto", lo stimatore AIPW offre due possibilità. Lo stimatore AIPW sarà coerente se il modello di trattamento o di risposta è specificato correttamente (Scharfstein et al., 1999). Coerenza significa che all'aumentare della dimensione del campione, ci si avvicina al vero effetto causale che si desidera stimare. Doppia robustezza è un termine popolare nell'inferenza causale perché è una proprietà desiderabile che consente di utilizzare tutte le informazioni disponibili per avvicinarsi il più possibile alla stima target.
La personalità del Trattamento Causale è ottima perché ti permette di scegliere lo stimatore che desideri utilizzare. Se sei propenso a utilizzare uno degli altri tre stimatori, ecco alcuni aspetti da tenere a mente:
- In genere, lo stimatore di corrispondenza del punteggio di propensione può fornire solo una stima dell'effetto medio del trattamento sul soggetto trattato (ATET) e non l'effetto medio del trattamento (ATE) (Abadie & Imbens, 2006) . Definisci chiaramente a quale stima causale sei interessato prima di considerare questo metodo.
- I metodi che utilizzano il modello di trattamento (ad esempio, IPWR e corrispondenza del punteggio di propensione) potrebbero funzionare meglio in campioni più piccoli, poiché il numero di fattori confondenti potrebbe superare il numero di osservazioni, portando a risultati inaffidabili nella regressione degli esiti (Benedetto et al., 2018). IPWR e corrispondenza condensano tutte le informazioni sui fattori confondenti in un unico numero, il punteggio di propensione, il che aiuta ad attenuare questo problema.
- REGADJ potrebbe avere un vantaggio rispetto a IPWR e al propensity score matching quando i propensity score sono estremi. Molti propensity score molto piccoli o molto grandi potrebbero portare all'esclusione di numerose osservazioni dall'analisi, riducendo la dimensione del campione e, di conseguenza, la precisione della stima (Elze et al, 2017).
Si sconsiglia di confrontare i risultati di tutti e quattro gli stimatori a posteriori. Ci auguriamo che questo articolo possa aiutarvi a scegliere a priori lo stimatore più adatto ai vostri dati, mentre gli altri metodi di stima possono essere utilizzati per le analisi di sensibilità.
Oltre a questi quattro metodi di stima, molti altri metodi di stima possono essere implementati in JMP attraverso processi multifase. Ad esempio, l'AIPW può essere eseguito in modo che i modelli di trattamento e risposta siano adattati utilizzando strumenti di apprendimento automatico come i componenti aggiuntivi XGBoost e Torch, oppure utilizzando le piattaforme di regressione generalizzata e GLMM.
Questo blog è stato scritto in collaborazione con Safiya Sirota ( @safiya_jmp ), che ha contribuito a questo lavoro durante il suo tirocinio presso di noi.
Riferimenti
Abadie A, Imbens GW (2006). “Proprietà di grandi campioni di stimatori corrispondenti per effetti medi del trattamento”. Econometrica , 74(1), 235–267.https://doi.org/10.1111/j.1468-0262.2006.00655.x
Benedetto U, Head, SJ, Angelini, GD, Blackstone, EH (2018). “Primer statistico: Propensity score matching e sue alternative”. Rivista europea di chirurgia cardiotoracica, 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). "Confronto tra metodi di punteggio di propensione e aggiustamento delle covariate: valutazione in 4 studi cardiovascolari". Rivista dell'American College of Cardiology, 69 (3), 345–357. https://doi.org/10.1016/j.jacc.2016.10.060
Glynn AN, Quinn KM (2010). “Un'introduzione allo stimatore ponderato per la propensione inversa aumentata”. Analisi politica, 18 (1), 36–56. https://doi.org/10.1093/pan/mpp036
Scharfstein DO, Rotnitzky A, Robins JM (1999). “Aggiustamento per l'abbandono non ignorabile utilizzando modelli di non risposta semiparametrici”. Rivista dell'Associazione statistica americana , 94(448), 1096–1120.
Potresti fornirmi un esempio che mostri come utilizzare questa funzione in JMP? Non sono sicuro di come impostare l'analisi.
