처리가 이분형일 경우, JMP의 인과적 처리(Causal Treatment) 성격을 통해 네 가지 추정 기법, 즉 비율 조정을 통한 역확률 가중치(IPWR), 회귀 조정(REGADJ), 증강 역확률 가중치(AIPW), 그리고 성향 점수 매칭(Propensity Score Matching) 중 하나를 선택할 수 있습니다. 이러한 추정 기법 중 하나에 익숙할 수도 있고, 어디서부터 시작해야 할지 모를 수도 있습니다. 인과적 처리 소개 블로그 게시물과 JMP 19 도움말 문서와 함께 이 글은 어떤 결과를 보고할지 결정하는 데 도움이 될 것입니다.
결과에 대한 이분법적 처리의 효과에 관심이 있다면, 인과적 처리 성격 유형에서 처리 모델과 반응 모델, 두 가지 모델을 지정할 수 있습니다. 처리 모델은 관찰치가 처리를 받았을 확률을 추정합니다. 반응 모델은 두 가지 처리 수준에서 결과의 기대값을 추정합니다. IPWR과 성향 점수 매칭은 처리 모델에 대한 정보를 사용하여 인과적 효과를 추정합니다. REGADJ는 반응 모델에 대한 정보를 사용합니다. AIPW는 두 모델 모두에 대한 정보를 사용합니다.
인과관계 분석 소개 블로그 게시물을 읽어보셨다면, 관측 데이터에 대한 인과 추론을 수행하는 데 필요한 세 가지 가정, 즉 양성, 일관성, 그리고 조건부 교환 가능성을 기억하실 것입니다. 정확한 인과 추론을 위해서는 이러한 가정을 수립해야 하며, 교란 변수 집합을 고려하여 처리의 조건부 분포를, 또는 처리와 교란 변수 집합을 고려하여 반응의 조건부 분포를 정확하게 모델링하고 있다고 가정해야 합니다. 이는 우리가 현재 가지고 있는 표본을 생성하는 데이터 생성 과정에 대해 잘 알지 못할 가능성이 높기 때문에 매우 강력한 가정입니다. 그러나 AIPW 추정량은 지정된 처리 모델과 반응 모델 모두의 정보를 사용하기 때문에 인과 관계 질문에 대한 정확한 답을 도출할 가능성이 더 높습니다.
AIPW 추정량은 이중 강건성 추정량으로 알려져 있습니다. IPWR, 성향점수매칭, REGADJ 추정량은 처리 모형이나 반응 모형 중 하나를 "올바르게" 설정해야 하지만, AIPW 추정량은 두 번의 기회를 제공합니다. 처리 모형이나 반응 모형 중 하나가 올바르게 지정되면 AIPW 추정량은 일관성을 유지합니다(Scharfstein et al., 1999). 일관성은 표본 크기가 커질수록 추정하고자 하는 실제 인과 효과에 가까워진다는 것을 의미합니다. 이중 강건성은 인과 추론에서 자주 사용되는 용어인데, 목표 추정량에 최대한 근접하기 위해 필요한 모든 정보를 활용할 수 있게 해주는 바람직한 특성이기 때문입니다.
인과적 치료 성격은 원하는 추정치를 선택할 수 있다는 점에서 매우 유용합니다. 다른 세 가지 추정치 중 하나를 사용하고 싶다면 다음 사항을 염두에 두십시오.
- 성향점수 매칭 추정량은 일반적으로 처리 대상에 대한 평균 처리 효과(ATET)의 추정치만 제공할 수 있으며, 평균 처리 효과(ATE)는 제공하지 않습니다 (Abadie & Imbens, 2006) . 이 방법을 고려하기 전에 어떤 인과 추정치에 관심이 있는지 명확하게 정의해야 합니다.
- 처리 모형(즉, IPWR 및 성향 점수 매칭)을 사용하는 방법은 교란 변수의 수가 관측치 수를 초과하여 결과 회귀 분석에서 신뢰할 수 없는 결과를 초래할 수 있으므로, 표본이 작을수록 더 효과적일 수 있습니다(Benedetto et al., 2018). IPWR과 매칭은 모든 교란 변수 정보를 하나의 숫자, 즉 성향 점수로 통합하여 이러한 문제를 완화하는 데 도움이 됩니다.
- REGADJ는 성향점수가 극단적일 때 IPWR 및 성향점수 매칭보다 유리할 수 있습니다. 성향점수가 매우 작거나 매우 클 경우, 분석에서 많은 관측치가 제외되어 표본 크기가 감소하고 결과적으로 추정치의 정확도가 떨어질 수 있습니다(Elze et al, 2017).
네 가지 추정량 모두의 결과를 사후적으로 비교하는 것은 권장되지 않습니다. 이 글이 데이터에 적합한 추정량을 사전에 선택하는 데 도움이 되기를 바랍니다. 다른 추정 방법은 민감도 분석에 사용할 수 있습니다.
이 네 가지 추정 방법 외에도 JMP에서는 다단계 프로세스를 통해 다양한 추정 방법을 구현할 수 있습니다. 예를 들어, XGBoost 및 Torch 추가 기능과 같은 머신러닝 도구나 일반화 회귀 및 GLMM 플랫폼을 사용하여 처리 및 반응 모델을 적합하도록 AIPW를 수행할 수 있습니다.
이 블로그는 Safiya Sirota( @사피야_jmp )와 공동으로 작성되었으며, 그녀는 우리와 인턴십을 하는 동안 이 작업에 기여했습니다.
참고문헌
Abadie A, Imbens GW (2006). "평균 치료 효과에 대한 일치 추정량의 대규모 표본 속성". 계량경제학 , 74(1), 235–267.https://doi.org/10.1111/j.1468-0262.2006.00655.x
Benedetto U, Head, SJ, Angelini, GD, Blackstone, EH (2018). "통계 입문: 성향점수 매칭 및 그 대안". 유럽 흉부외과학회지, 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). "성향 점수법과 공변량 조정의 비교: 4가지 심혈관 연구 평가". 미국심장학회지, 69 (3), 345–357. https://doi.org/10.1016/j.jacc.2016.10.060
Glynn AN, Quinn KM (2010). “증가 역성향 가중 추정량 소개”. 정치 분석, 18 (1), 36–56. https://doi.org/10.1093/pan/mpp036
Scharfstein DO, Rotnitzky A, Robins JM (1999). "반모수적 무응답 모형을 이용한 무시할 수 없는 탈락률 조정". 미국 통계 협회 저널 , 94(448), 1096–1120.
JMP에서 이 기능을 사용하는 방법을 보여주는 예제를 제공해 주시겠습니까? 분석 설정을 어떻게 해야 할지 잘 모르겠습니다.
