En septembre de cette année, les produits JMP ont été mis à jour vers la dernière version, la version 19.
Cette mise à jour ajoute une nouvelle plateforme appelée « Effets causaux du traitement » à JMP Pro et JMP Student Edition, vous permettant d’effectuer des analyses à l’aide de l’appariement par score de propension .
Dans cet article, nous utiliserons un exemple pour expliquer comment effectuer un appariement par score de propension à l'aide de cette plateforme d'« effet causal du traitement ».
Exemple d'appariement par score de propension
Pour étudier l'efficacité d'un traitement médical, des données ont été recueillies auprès de 181 patients. Chaque patient a été classé comme ayant « reçu le traitement médical » ou « n'ayant pas reçu le traitement médical », et le résultat (efficace ou inefficace) a été évalué.
Les caractéristiques des patients susceptibles d’être liées au traitement et aux résultats seront utilisées comme covariables, notamment le sexe, l’âge, les antécédents de tabagisme, l’IMC et le score de gravité .
Résultat : « Y : Résultat » (1 : Efficace, 0 : Inefficace)
Traitement : « T : Traitement » (1 : Traitement (groupe de traitement), 0 : Aucun traitement (groupe témoin))
Variables totales : « X1 : Sexe », « X2 : Âge », « X3 : Tabagisme », « X4 : IMC », « X5 : Score de gravité »
Ces données (format JMP) peuvent être téléchargées depuis ce blog (PM_example.jmp).
Lancement de la plateforme d'effet causal du traitement
Pour les données ci-dessus, procédez comme suit :
- Sélectionnez Analyser > Ajuster le modèle et modifiez la méthode dans le coin supérieur droit de la fenêtre Spécification du modèle en Effets causaux du traitement .
- Comme indiqué dans la figure ci-dessous, spécifiez les colonnes correspondant à [Y] et [Traitement]. Ouvrez ensuite l'onglet « Modèle de traitement » et spécifiez les covariables (X1 à X5) à l'aide du bouton « Ajouter ».
- Cliquez sur Exécuter.
Remarque : Si vous spécifiez une colonne d’échelle nominale (ou ordinale) pour Y, le nombre de catégories doit être de deux. De même, la variable de traitement doit également être une colonne d’échelle nominale (ou ordinale) à deux catégories. (Trois catégories ou plus ne sont pas autorisées.)
Dans le rapport « Ajustement des effets causaux du traitement » qui apparaît, développez « Autres méthodes de score de propension » et sélectionnez « Plus proche voisin » dans « Méthode d’appariement par score de propension ».
Vous pouvez ensuite spécifier différentes options pour la méthode du score de propension, comme suit :
La signification des options est décrite ci-dessous.
Nombre d'appariements par observation : Indiquez combien de sujets témoins doivent être appariés à un sujet traité.
La valeur par défaut « 1 » signifie une correspondance un à un, « 2 » signifie une correspondance un à deux.
Score de propension minimal et maximal : définissez les valeurs minimale et maximale du score de propension à utiliser pour l’appariement. Ce score étant compris entre 0 et 1, toutes les observations sont utilisées par défaut pour l’appariement.
Tolérance : Indique la différence maximale admissible entre les scores de propension des observations à apparier. Concrètement, la tolérance est calculée en multipliant la valeur de tolérance spécifiée par l’estimation groupée de l’écart type commun des statistiques appariées. Par exemple, si l’écart type estimé est de 0,1 et que la valeur de tolérance est de 0,2, la tolérance est de 0,02 (0,2 × 0,1). Les observations en dehors de cette tolérance sont exclues de l’appariement.
Statistiques d'appariement : Vous pouvez spécifier « Logit du score de propension » (par défaut) ou « Score de propension ». Si vous spécifiez « Logit du score de propension », l'appariement sera effectué en utilisant la valeur transformée par logit du score de propension, et non le score de propension lui-même.
Appariement avec remise : si cette option est activée, les mêmes observations du groupe témoin peuvent être réutilisées pour plusieurs observations de traitement. Si elle est désactivée, les observations du groupe témoin déjà utilisées ne seront pas réutilisées. En général, l’échantillonnage avec remise augmente le nombre d’échantillons pouvant être appariés.
Pour l'instant, laissez les paramètres par défaut et cliquez sur Exécuter à gauche.
Résultats correspondants
Consultez le rapport « Résumé de l’appariement par score de propension ».
La section « Paramètres correspondants » affiche les valeurs des options que vous venez de spécifier.
La figure « Distribution des scores de propension par traitement » présente la distribution logit du score de propension pour chaque groupe de traitement (=1) et le groupe témoin (=0). Les points bleus indiquent les observations appariées, et les points rouges indiquent les observations non appariées (exclues) qui se situaient en dehors de la zone d'appariement.
Simultanément, un nouveau tableau de données récapitulant les résultats de la mise en correspondance sera généré. Ce tableau indique le statut des échantillons appariés.Les paires appariées sont affichées sous la mention « ID de correspondance ». Dans cet exemple, 68 paires ont été créées pour les groupes de traitement et de contrôle.
Remarque : Si vous sélectionnez « Enregistrer les colonnes d'effet causal dans le tableau » dans le rapport du modèle, les colonnes indiquant les effets causaux estimés, y compris le score de propension, le logit du score de propension et si la ligne a été appariée, seront enregistrées dans le tableau de données d'origine.
Analyse des données correspondantes
Le rapport final, intitulé « Analyse des données appariées », fournit des informations sur le modèle ajusté aux données appariées.
Le modèle utilisé ici est un modèle logistique avec la variable de résultat Y, le traitement étant considéré comme un effet fixe et l'identifiant d'appariement comme un effet aléatoire. Dans l'appariement par score de propension, les groupes de traitement et de contrôle présentant des scores similaires sont appariés ; les observations au sein d'un même identifiant ne peuvent donc pas être considérées comme indépendantes, et cette situation est prise en compte en les traitant comme des effets aléatoires.
En examinant les « Estimations des paramètres pour les effets fixes », l’estimation du paramètre pour le terme Treatment[0-1] est de -1,663. Le [0-1] affiché dans le terme indique « l’effet du groupe témoin (=0) sur le groupe de traitement (=1) », indiquant que le logit (probabilité d’un effet) pour le groupe témoin est inférieur de 1,663 à celui du groupe de traitement.
L'intervalle de confiance à 95 % pour la valeur estimée (-1,663) est [-2,554, -0,772], qui ne traverse pas 0, et la valeur p est faible à 0,003, il y a donc une différence significative.
En d'autres termes, on peut en déduire que la réalisation d'une intervention médicale augmente significativement la probabilité d'obtenir un résultat positif .
La probabilité prédite d'efficacité pour chaque groupe s'obtient en sélectionnant [Graphique des prédicteurs marginaux] > [Profil] à partir du bouton triangulaire rouge situé à gauche du rapport « Binomial ». La probabilité prédite pour le groupe témoin est de 0,117 et celle du groupe traité est de 0,411, ce qui indique que le traitement devrait avoir un effet d'environ 30 %.
Si l'on inverse le signe de l'estimation du traitement (= -1,663) et que l'on place cette valeur à l'extrémité de l'exposant, on obtient
exp(1,663) = 5,28
Ce graphique illustre le rapport de cotes du groupe traité par rapport au groupe témoin, en considérant qu'un effet est observé. Autrement dit, le traitement augmente d'environ 5,3 fois les chances d'efficacité par rapport au groupe témoin.
Même si Y est une variable continue
Dans les exemples précédents, Y était une variable nominale binaire, mais l'appariement par score de propension peut être effectué à l'aide d'opérations similaires lorsque Y est une variable continue.
Les données d'exemple JMP « Blood Pressure Treatment.jmp » sont un exemple d'utilisation d'une variable continue, « pression artérielle systolique post-administration », comme Y.
Dans ce cas, un modèle linéaire mixte supposant une distribution normale pour Y est ajusté aux données appariées.
par Naohiro Masukawa (JMP Japon)
Naohiro Masukawa - Communauté d'utilisateurs JMP
