Im September dieses Jahres wurden die JMP-Produkte auf die neueste Version, Version 19, aktualisiert.
Dieses Update fügt JMP Pro und JMP Student Edition eine neue Plattform namens „Causal Treatment Effects“ hinzu, mit der Sie Analysen mittels Propensity-Score-Matching durchführen können.
In diesem Artikel werden wir anhand eines Beispiels erklären, wie man Propensity-Score-Matching mit dieser Plattform für „kausale Behandlungseffekte“ durchführt.
Beispiel für Propensity-Score-Matching
Um die Wirksamkeit einer medizinischen Behandlung zu untersuchen, wurden Daten von 181 Patienten erhoben. Jeder Patient wurde entweder als „erhielt die medizinische Behandlung“ oder „erhielt die medizinische Behandlung nicht“ klassifiziert, und das Ergebnis (wirksam oder unwirksam) wurde bewertet.
Patientenmerkmale, die mit der Behandlung und den Behandlungsergebnissen in Zusammenhang stehen könnten, werden als Kovariaten verwendet. Dazu gehören Geschlecht, Alter, Raucheranamnese, BMI und Schweregrad .
Ergebnis : "J: Ergebnis" (1: Wirksam, 0: Unwirksam)
Behandlung : "T: Behandlung" (1: Behandlung (Behandlungsgruppe), 0: Keine Behandlung (Kontrollgruppe))
Gesamtvariablen : "X1: Geschlecht", "X2: Alter", "X3: Rauchen", "X4: BMI", "X5: Schweregrad"
Diese Daten (im JMP-Format) können von diesem Blog heruntergeladen werden (PM_example.jmp).
Einführung der Plattform für kausale Behandlungseffekte
Gehen Sie für die obigen Daten wie folgt vor:
- Wählen Sie Analysieren > Modell anpassen und ändern Sie die Methode in der oberen rechten Ecke des Fensters Modellspezifikation auf Kausale Behandlungseffekte .
- Wie in der Abbildung unten dargestellt, geben Sie die Spalten an, die [Y] und [Behandlung] entsprechen. Öffnen Sie außerdem den Tab „Behandlungsmodell“ und geben Sie mithilfe der Schaltfläche „Hinzufügen“ Kovariaten (X1 bis X5) an.
- Klicken Sie auf Ausführen.
Hinweis : Wenn Sie für Y eine Spalte mit nominaler (oder ordinaler) Skala angeben, muss die Anzahl der Kategorien zwei betragen. Auch die Behandlungsvariable muss eine Spalte mit nominaler (oder ordinaler) Skala und zwei Kategorien sein. (Drei oder mehr Kategorien sind nicht zulässig.)
Erweitern Sie im daraufhin angezeigten Bericht „Fit Causal Treatment Effects“ die Option „Other Propensity Score Methods“ und wählen Sie unter „Propensity Score Matching Method“ die Option „Nearest Neighbor“ aus.
Anschließend können Sie verschiedene Optionen für die Propensity-Score-Methode festlegen, wie folgt:
Die Bedeutung der Optionen wird im Folgenden erläutert.
Anzahl der Zuordnungen pro Beobachtung : Geben Sie an, wie viele Kontrollpersonen einer Behandlungsperson zugeordnet werden sollen.
Der Standardwert „1“ bedeutet Eins-zu-Eins-Zuordnung, „2“ bedeutet Eins-zu-Zwei-Zuordnung.
Minimaler und maximaler Propensity Score : Legen Sie die minimalen und maximalen Werte des Propensity Scores fest, der für das Matching verwendet werden soll. Da der Propensity Score zwischen 0 und 1 liegt, werden standardmäßig alle Beobachtungen für das Matching verwendet.
Caliper : Gibt die maximal zulässige Differenz der Propensity-Scores zwischen den zu vergleichenden Beobachtungen an. In der Praxis wird die Toleranz berechnet, indem der angegebene Caliper-Wert mit der gepoolten Schätzung der gemeinsamen Standardabweichung der verglichenen Statistiken multipliziert wird. Beträgt die geschätzte Standardabweichung beispielsweise 0,1 und der Caliper-Wert 0,2, so wird 0,02 (= 0,2 × 0,1) als Toleranz verwendet. Beobachtungen außerhalb dieses Toleranzbereichs werden vom Vergleich ausgeschlossen.
Matching-Statistiken : Sie können entweder „Logit des Propensity Scores“ (Standard) oder „Propensity Score“ angeben. Wenn Sie „Logit des Propensity Scores“ angeben, wird das Matching anhand des logit-transformierten Werts des Propensity Scores und nicht anhand des Propensity Scores selbst durchgeführt.
Auswahl mit Zurücklegen : Ist diese Option aktiviert, können dieselben Kontrollgruppenbeobachtungen für mehrere Behandlungsbeobachtungen wiederverwendet werden. Ist sie deaktiviert, werden bereits verwendete Kontrollgruppenbeobachtungen nicht wiederverwendet. Im Allgemeinen erhöht die Auswahl mit Zurücklegen die Anzahl der möglichen Vergleichsproben.
Belassen Sie vorerst die Standardeinstellungen und klicken Sie links auf „Ausführen“.
Übereinstimmungsergebnisse
Sehen Sie sich den Bericht „Zusammenfassung des Propensity Score Matchings“ an.
Unter „Übereinstimmende Parameter“ werden die Werte der soeben angegebenen Optionen angezeigt.
Die Grafik „Propensity-Score-Verteilung nach Behandlung“ zeigt die Logit-Verteilung des Propensity-Scores für jede Behandlungsgruppe (=1) und Kontrollgruppe (=0). Blaue Punkte kennzeichnen übereinstimmende Beobachtungen, rote Punkte hingegen nicht übereinstimmende (ausgeschlossene) Beobachtungen, die außerhalb des Messbereichs liegen.
Gleichzeitig wird eine neue Datentabelle ausgegeben, die die Ergebnisse des Abgleichs zusammenfasst. Diese Tabelle zeigt den Status der abgeglichenen Proben an.Die übereinstimmenden Paare werden als „Match-ID“ angezeigt. In diesem Beispiel wurden 68 Paare für die Behandlungs- und Kontrollgruppen erstellt.
Hinweis : Wenn Sie im Modellbericht die Option „Spalten mit kausalen Effekten in Tabelle speichern“ auswählen, werden Spalten, die die geschätzten kausalen Effekte anzeigen, einschließlich des Propensity Scores, des Logits des Propensity Scores und der Information, ob die Zeile übereinstimmte, in der ursprünglichen Datentabelle gespeichert.
Datenanalyse
Der Abschlussbericht „Analyse der übereinstimmenden Daten“ enthält Informationen über das an die übereinstimmenden Daten angepasste Modell.
Das hier verwendete Modell ist ein logistisches Modell mit dem Ergebnis Y, der Behandlung als festem Effekt und der Match-ID als zufälligem Effekt. Beim Propensity-Score-Matching werden Behandlungs- und Kontrollgruppen mit ähnlichen Scores gepaart, sodass Beobachtungen innerhalb einer ID nicht als unabhängig betrachtet werden können. Diese Situation wird dadurch berücksichtigt, dass sie als zufällige Effekte behandelt werden.
Betrachtet man die „Parameterschätzungen für feste Effekte“, so beträgt die Parameterschätzung für den Term Treatment[0-1] -1,663. Die Angabe [0-1] im Term bedeutet, dass der „Effekt der Kontrollgruppe (=0) auf die Behandlungsgruppe (=1)“ auftritt, was bedeutet, dass die Logit-Wahrscheinlichkeit (Wahrscheinlichkeit eines Effekts) für die Kontrollgruppe um 1,663 niedriger ist als die der Behandlungsgruppe.
Das 95%-Konfidenzintervall für den Schätzwert (-1,663) ist [-2,554, -0,772], das die Null nicht einschließt, und der p-Wert ist mit 0,003 klein, sodass ein signifikanter Unterschied besteht.
Mit anderen Worten kann ein kausaler Schluss gezogen werden , dass die Durchführung eines medizinischen Eingriffs die Wahrscheinlichkeit eines positiven Ergebnisses signifikant erhöht .
Die vorhergesagte Wahrscheinlichkeit für eine Wirksamkeit in jeder Gruppe kann durch Auswahl von [Marginal Predictor Plot] > [Profil] über die rote Dreiecksschaltfläche links neben dem Bericht „Binomial“ ermittelt werden. Die vorhergesagte Wahrscheinlichkeit für die Kontrollgruppe beträgt 0,117 und für die Behandlungsgruppe 0,411, was darauf hindeutet, dass die Behandlung voraussichtlich eine Wirkung von etwa 30 % haben wird.
Wenn wir das Vorzeichen der Behandlungsschätzung (= -1,663) umkehren und diesen Wert an die Schulter des Exponenten setzen, erhalten wir
exp(1,663) = 5,28
Dies zeigt das Chancenverhältnis der Behandlungsgruppe zur Kontrollgruppe, unter der Annahme, dass ein Effekt vorliegt. Anders ausgedrückt: Durch die Behandlung erhöht sich die Wahrscheinlichkeit einer Wirksamkeit um etwa das 5,3-Fache im Vergleich zur Kontrollgruppe.
Selbst wenn Y eine stetige Variable ist
In den bisherigen Beispielen war Y eine binäre nominale Variable, aber das Propensity-Score-Matching kann mit ähnlichen Operationen durchgeführt werden, wenn Y eine stetige Variable ist.
Die JMP-Beispieldaten „Blood Pressure Treatment.jmp“ sind ein Beispiel für die Verwendung einer kontinuierlichen Variablen, „systolischer Blutdruck nach Verabreichung“, als Y.
In diesem Fall wird ein lineares gemischtes Modell, das von einer Normalverteilung für Y ausgeht, an die übereinstimmenden Daten angepasst.
von Naohiro Masukawa (JMP Japan)
Naohiro Masukawa – JMP-Benutzergemeinschaft
