A settembre di quest'anno, i prodotti JMP sono stati aggiornati all'ultima versione, la versione 19.
Questo aggiornamento aggiunge una nuova piattaforma denominata "Effetti causali del trattamento" a JMP Pro e JMP Student Edition, consentendo di eseguire analisi utilizzando la corrispondenza del punteggio di propensione .
In questo articolo, utilizzeremo un esempio per spiegare come eseguire il propensity score matching utilizzando questa piattaforma di "effetto causale del trattamento".
Esempio di corrispondenza del punteggio di propensione
Per valutare l'efficacia di un trattamento medico, sono stati raccolti i dati di 181 pazienti. Ogni paziente è stato classificato come "ricevuto il trattamento medico" o "non ricevuto il trattamento medico" ed è stato valutato l'esito (efficace o inefficace).
Le caratteristiche del paziente che possono essere correlate al trattamento e ai risultati saranno utilizzate come covariate, tra cui sesso, età, storia di fumo, BMI e punteggio di gravità .
Risultato (Esito) : "Y: Risultato" (1: Efficace, 0: Inefficace)
Trattamento : "T: Trattamento" (1: Trattamento (gruppo di trattamento), 0: Nessun trattamento (gruppo di controllo))
Variabili totali : "X1: Sesso", "X2: Età", "X3: Fumo", "X4: BMI", "X5: Punteggio di gravità"
Questi dati (formato JMP) possono essere scaricati da questo blog (PM_example.jmp).
Lancio della piattaforma Causal Treatment Effect
Per i dati sopra indicati, procedere come segue:
- Selezionare Analizza > Adatta modello e modificare il metodo nell'angolo in alto a destra della finestra Specifica modello in Effetti causali del trattamento .
- Come mostrato nella figura sottostante, specificare le colonne corrispondenti a [Y] e [Trattamento]. Inoltre, aprire la scheda "Modello di trattamento" e specificare le covariate (da X1 a X5) utilizzando il pulsante "Aggiungi".
- Fare clic su Esegui.
Nota : se si specifica una colonna di scala nominale (o ordinale) per Y, il numero di categorie deve essere due. Inoltre, la variabile di trattamento deve essere una colonna di scala nominale (ordinale) con due categorie. (Non è possibile utilizzare tre o più categorie.)
Nel report "Adattamento effetti causali del trattamento" visualizzato, espandere "Altri metodi di punteggio di propensione" e selezionare Vicino più prossimo da "Metodo di corrispondenza del punteggio di propensione".
È quindi possibile specificare diverse opzioni per il metodo del punteggio di propensione, come segue:
Di seguito viene descritto il significato delle opzioni.
Numero di corrispondenze per osservazione : specificare quanti soggetti di controllo devono essere abbinati a un soggetto del trattamento.
Il valore predefinito "1" indica una corrispondenza uno a uno, mentre "2" indica una corrispondenza uno a due.
Punteggio di propensione minimo e massimo : imposta i valori minimo e massimo del punteggio di propensione da utilizzare per il matching. Poiché il punteggio di propensione varia da 0 a 1, l'impostazione predefinita prevede l'utilizzo di tutte le osservazioni per il matching.
Calibro : indica la "differenza massima ammissibile nei punteggi di propensione" tra le osservazioni da abbinare. In pratica, la tolleranza viene calcolata moltiplicando il valore del calibro specificato per la "stima complessiva della deviazione standard comune delle statistiche abbinate". Ad esempio, se la deviazione standard stimata è 0,1 e il valore del calibro è specificato come 0,2, viene utilizzato 0,02 (= 0,2 × 0,1) come tolleranza. Le osservazioni al di fuori della tolleranza vengono escluse dall'abbinamento.
Statistiche di corrispondenza : è possibile specificare "Logit del punteggio di propensione" (predefinito) o "Punteggio di propensione". Se si specifica "Logit del punteggio di propensione", la corrispondenza verrà eseguita utilizzando il valore trasformato in logit del punteggio di propensione, anziché il punteggio di propensione stesso.
Corrispondenza con sostituzione : se selezionata, le stesse osservazioni del gruppo di controllo possono essere riutilizzate per più osservazioni di trattamento. Se non selezionata, le osservazioni del gruppo di controllo utilizzate una volta non verranno riutilizzate. In genere, il campionamento con sostituzione aumenta il numero di campioni che possono essere abbinati.
Per ora, lascia le impostazioni predefinite e clicca su Esegui a sinistra.
Risultati corrispondenti
Visualizza il report "Riepilogo della corrispondenza del punteggio di propensione".
"Parametri corrispondenti" visualizza i valori delle opzioni appena specificate.
"Distribuzione del punteggio di propensione per trattamento" mostra la distribuzione logit del punteggio di propensione per ciascun gruppo di trattamento (=1) e gruppo di controllo (=0). I punti blu indicano le osservazioni corrispondenti, mentre i punti rossi indicano le osservazioni non corrispondenti (escluse) che non rientrano nel calibro.
Contemporaneamente, verrà generata una nuova tabella dati che riassume i risultati della ricerca. Questa tabella mostra lo stato dei campioni trovati.Le coppie corrispondenti vengono visualizzate come "ID corrispondenza". In questo esempio, sono state create 68 coppie per i gruppi di trattamento e di controllo.
Nota : se si seleziona "Salva colonne effetto causale nella tabella" nel report del modello, le colonne che mostrano gli effetti causali stimati, tra cui il punteggio di propensione, il logit del punteggio di propensione e se la riga è stata abbinata, verranno salvate nella tabella dati originale.
Analisi dei dati corrispondenti
Il rapporto finale, "Analisi dei dati abbinati", fornisce informazioni sul modello adattato ai dati abbinati.
Il modello utilizzato qui è un modello logistico con esito Y, trattamento come effetto fisso e ID di abbinamento come effetto casuale. Nel propensity score matching, i gruppi di trattamento e di controllo con punteggi simili vengono accoppiati, quindi le osservazioni all'interno dell'ID non possono essere considerate indipendenti e questa situazione viene risolta trattandole come effetti casuali.
Osservando le "Stime dei parametri per effetti fissi", la stima dei parametri per il termine Trattamento[0-1] è -1,663. Il valore [0-1] visualizzato nel termine indica "l'effetto del gruppo di controllo (=0) sul gruppo di trattamento (=1)", il che indica che il logit (probabilità di un effetto) per il gruppo di controllo è inferiore di 1,663 rispetto a quello del gruppo di trattamento.
L'intervallo di confidenza del 95% per il valore stimato (-1,663) è [-2,554, -0,772], che non supera 0, e il valore p è piccolo a 0,003, quindi c'è una differenza significativa.
In altre parole, si può trarre l'inferenza causale che l'esecuzione di una procedura medica aumenta significativamente la probabilità di ottenere un risultato positivo .
La probabilità prevista di "efficacia" per ciascun gruppo può essere ottenuta selezionando [Grafico predittivo marginale] > [Profilo] dal pulsante triangolare rosso a sinistra del report "Binomiale". La probabilità prevista per il gruppo di controllo è 0,117, mentre la probabilità prevista per il gruppo di trattamento è 0,411, il che indica che ci si può aspettare che il trattamento abbia un effetto di circa il 30%.
Se invertiamo il segno della stima del trattamento (= -1,663) e posizioniamo quel valore sulla spalla dell'esponente, otteniamo
exp(1.663) = 5.28
Questo mostra l'odds ratio del gruppo di trattamento rispetto al gruppo di controllo quando lo standard è che c'è un effetto. In altre parole, ricevendo il trattamento, le probabilità di efficacia aumentano di circa 5,3 volte rispetto al gruppo di controllo.
Anche se Y è una variabile continua
Negli esempi fino a questo punto, Y è stata una variabile nominale binaria, ma il propensity score matching può essere eseguito utilizzando operazioni simili quando Y è una variabile continua.
I dati campione JMP "Blood Pressure Treatment.jmp" sono un esempio di utilizzo di una variabile continua, "pressione sanguigna sistolica post-somministrazione", come Y.
In questo caso, un modello misto lineare che presuppone una distribuzione normale per Y viene adattato ai dati corrispondenti.
di Naohiro Masukawa (JMP Giappone)
Naohiro Masukawa - Comunità degli utenti JMP
