Cuando el tratamiento es binario, la personalidad del Tratamiento Causal en JMP permite elegir entre cuatro técnicas de estimación: ponderación de probabilidad inversa con ajuste de razón (IPWR), ajuste de regresión (REGADJ), ponderación de probabilidad inversa aumentada (AIPW) y emparejamiento por puntaje de propensión. Puede que se sienta cómodo con alguno de estos métodos de estimación, o puede que no sepa por dónde empezar. Junto con la entrada del blog "Introducción al Tratamiento Causal" y la documentación de ayuda de JMP 19, este artículo le ayudará a decidir qué resultados informar.
Si le interesa el efecto de un tratamiento binario en un resultado, la personalidad de Tratamiento Causal le permite especificar dos modelos: un modelo de tratamiento y un modelo de respuesta. El modelo de tratamiento estima la probabilidad de que una observación haya recibido tratamiento. El modelo de respuesta estima el valor esperado del resultado en ambos niveles de tratamiento. El IPWR y el emparejamiento por puntuación de propensión utilizan información sobre el modelo de tratamiento para estimar los efectos causales. El REGADJ utiliza información sobre el modelo de respuesta. El AIPW utiliza información sobre ambos.
Si ha leído la entrada del blog "Introducción al Tratamiento Causal", quizá recuerde los tres supuestos necesarios para realizar inferencias causales con datos observacionales: positividad, consistencia e intercambiabilidad condicional. Para obtener inferencias causales correctas, es necesario realizar estos supuestos y asumir que se modelan correctamente las distribuciones condicionales del tratamiento dado el conjunto de factores de confusión, o la respuesta dados el tratamiento y el conjunto de factores de confusión. Esta es una suposición sólida, ya que es probable que no sepamos mucho sobre los procesos de generación de datos que producen las muestras que tenemos. Sin embargo, dado que el estimador AIPW utiliza información tanto de los modelos de tratamiento como de respuesta especificados, tiene una mayor probabilidad de producir respuestas correctas a las preguntas causales.
El estimador AIPW se conoce como un estimador doblemente robusto . Mientras que los estimadores IPWR, de emparejamiento por puntaje de propensión y REGADJ requieren que el modelo de tratamiento o de respuesta sea correcto, el estimador AIPW ofrece dos posibilidades. El estimador AIPW será consistente si el modelo de tratamiento o de respuesta se especifica correctamente (Scharfstein et al., 1999). La consistencia significa que, a medida que aumenta el tamaño de la muestra, se acerca al verdadero efecto causal que se espera estimar. La doble robustez es un término popular en inferencia causal porque es una propiedad deseable que permite utilizar toda la información disponible para acercarse lo más posible al estimado objetivo.
La personalidad de Tratamiento Causal es excelente porque permite elegir el estimador que se desea utilizar. Si se inclina por uno de los otros tres estimadores, tenga en cuenta lo siguiente:
- El estimador de emparejamiento por puntaje de propensión generalmente solo proporciona una estimación del efecto promedio del tratamiento en los pacientes tratados (ATET), no del efecto promedio del tratamiento (ATE) (Abadie e Imbens, 2006) . Defina claramente qué estimado causal le interesa antes de considerar este método.
- Los métodos que utilizan el modelo de tratamiento (es decir, IPWR y emparejamiento por puntaje de propensión) pueden funcionar mejor en muestras más pequeñas, ya que el número de factores de confusión podría superar el número de observaciones, lo que generaría resultados poco fiables en la regresión de resultados (Benedetto et al., 2018). IPWR y el emparejamiento agrupan toda la información de los factores de confusión en un solo número, el puntaje de propensión, lo que ayuda a mitigar este problema.
- REGADJ puede tener una ventaja sobre IPWR y el emparejamiento por puntajes de propensión cuando estos son extremos. Un gran número de puntajes de propensión, ya sean muy pequeños o muy grandes, podría llevar a la exclusión de numerosas observaciones del análisis, lo que reduciría el tamaño de la muestra y, por lo tanto, la precisión de la estimación (Elze et al., 2017).
No se recomienda comparar los resultados de los cuatro estimadores a posteriori. Esperamos que esta publicación le ayude a elegir el estimador adecuado para sus datos a priori, mientras que los demás métodos de estimación pueden utilizarse para análisis de sensibilidad.
Además de estos cuatro métodos de estimación, se pueden implementar muchos otros en JMP mediante procesos de varios pasos. Por ejemplo, se puede realizar AIPW para que los modelos de tratamiento y respuesta se ajusten mediante herramientas de aprendizaje automático como los complementos XGBoost y Torch, o mediante las plataformas de regresión generalizada y GLMM.
Este blog fue coescrito con Safiya Sirota ( @safiya_jmp ), quien contribuyó a este trabajo durante su pasantía con nosotros.
Referencias
Abadie A, Imbens GW (2006). “Propiedades de estimadores de emparejamiento para efectos promedio de tratamiento en muestras grandes”. Econométrica , 74(1), 235–267.https://doi.org/10.1111/j.1468-0262.2006.00655.x
Benedetto U, Head, SJ, Angelini, GD, Blackstone, EH (2018). “Introducción estadística: Emparejamiento por puntuación de propensión y sus alternativas”. Revista Europea de Cirugía Cardiotorácica, 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). “Comparación de métodos de puntuación de propensión y ajuste de covariables: Evaluación en cuatro estudios cardiovasculares”. Revista del Colegio Americano de Cardiología, 69 (3), 345–357. https://doi.org/10.1016/j.jacc.2016.10.060
Glynn AN, Quinn KM (2010). “Introducción al estimador ponderado por propensión inversa aumentada”. Análisis Político, 18 (1), 36–56. https://doi.org/10.1093/pan/mpp036
Scharfstein DO, Rotnitzky A, Robins JM (1999). “Ajuste para la deserción no ignorable mediante modelos semiparamétricos de no respuesta”. Revista de la Asociación Estadounidense de Estadística , 94(448), 1096–1120.
¿Podría proporcionar un ejemplo que muestre cómo usar esta función en JMP? No estoy seguro de cómo configurar el análisis.
