En septiembre de este año, los productos JMP se actualizaron a la última versión, la versión 19.
Esta actualización agrega una nueva plataforma llamada "Efectos del tratamiento causal" a JMP Pro y JMP Student Edition, lo que le permite realizar análisis utilizando la correspondencia de puntaje de propensión .
En este artículo, utilizaremos un ejemplo para explicar cómo realizar el emparejamiento por puntaje de propensión utilizando esta plataforma de "efecto de tratamiento causal".
Ejemplo de emparejamiento por puntuación de propensión
Para investigar la eficacia de un tratamiento médico, se recopilaron datos de 181 pacientes. Cada paciente se clasificó como "recibió el tratamiento médico" o "no recibió el tratamiento médico", y se evaluó el resultado (eficaz o ineficaz).
Las características del paciente que puedan estar relacionadas con el tratamiento y los resultados se utilizarán como covariables, incluidos el género, la edad, el historial de tabaquismo, el IMC y la puntuación de gravedad .
Resultado : "Y: Resultado" (1: Eficaz, 0: Ineficaz)
Tratamiento : "T: Tratamiento" (1: Tratamiento (grupo de tratamiento), 0: Sin tratamiento (grupo de control))
Variables totales : "X1: Sexo", "X2: Edad", "X3: Tabaquismo", "X4: IMC", "X5: Puntuación de gravedad"
Estos datos (formato JMP) se pueden descargar de este blog (PM_example.jmp).
Lanzamiento de la Plataforma de Efectos del Tratamiento Causal
Para los datos anteriores, haga lo siguiente:
- Seleccione Analizar > Ajustar modelo y cambie el método en la esquina superior derecha de la ventana Especificación del modelo a Efectos del tratamiento causal .
- Como se muestra en la figura a continuación, especifique las columnas correspondientes a [Y] y [Tratamiento]. Además, abra la pestaña "Modelo de Tratamiento" y especifique las covariables (X1 a X5) con el botón "Agregar".
- Haga clic en Ejecutar.
Nota : Si especifica una columna de escala nominal (u ordinal) para Y, el número de categorías debe ser dos. Además, la variable de tratamiento debe ser una columna de escala nominal (ordinal) con dos categorías. (No se pueden usar tres o más categorías).
En el informe "Ajustar efectos de tratamiento causal" que aparece, expanda "Otros métodos de puntuación de propensión" y seleccione "Vecino más cercano" en "Método de coincidencia de puntuación de propensión".
Luego puede especificar varias opciones para el método de puntuación de propensión, de la siguiente manera:
El significado de las opciones se describe a continuación.
Número de coincidencias por observación : especifique cuántos sujetos de control deben coincidir con un sujeto de tratamiento.
El valor predeterminado "1" significa coincidencia uno a uno, "2" significa coincidencia uno a dos.
Puntuación de propensión mínima y máxima : Establezca los valores mínimo y máximo de la puntuación de propensión que se utilizarán para el emparejamiento. Dado que la puntuación de propensión varía de 0 a 1, la configuración predeterminada es utilizar todas las observaciones para el emparejamiento.
Caliper : Indica la "diferencia máxima permitida en las puntuaciones de propensión" entre las observaciones que se van a emparejar. En la práctica, la tolerancia se calcula multiplicando el valor del caliper especificado por la "estimación agrupada de la desviación estándar común de las estadísticas emparejadas". Por ejemplo, si la desviación estándar estimada es 0,1 y el valor del caliper se especifica como 0,2, se utiliza 0,02 (= 0,2 × 0,1) como tolerancia. Las observaciones fuera de la tolerancia se excluyen del emparejamiento.
Estadísticas de coincidencia : Puede especificar "Logit de la puntuación de propensión" (predeterminado) o "Puntuación de propensión". Si especifica "Logit de la puntuación de propensión", la coincidencia se realizará utilizando el valor logit de la puntuación de propensión, en lugar de la puntuación de propensión en sí.
Coincidencia con reemplazo : Si se activa, las mismas observaciones del grupo de control se pueden reutilizar para múltiples observaciones de tratamiento. Si no se activa, las observaciones del grupo de control que se hayan utilizado una vez no se reutilizarán. Generalmente, el muestreo con reemplazo aumenta el número de muestras que se pueden parear.
Por ahora, deje la configuración predeterminada y haga clic en Ejecutar a la izquierda.
Resultados coincidentes
Ver el informe "Resumen de correspondencia por puntaje de propensión".
"Parámetros coincidentes" muestra los valores de las opciones que acaba de especificar.
"Distribución del puntaje de propensión por tratamiento" muestra la distribución logit del puntaje de propensión para cada grupo de tratamiento (=1) y grupo de control (=0). Los puntos azules indican observaciones coincidentes, mientras que los puntos rojos indican observaciones no coincidentes (excluidas) que quedaron fuera del calibrador.
Al mismo tiempo, se generará una nueva tabla de datos que resume los resultados de la coincidencia. Esta tabla muestra el estado de las muestras coincidentes.Los pares coincidentes se muestran como "ID de coincidencia". En este ejemplo, se crearon 68 pares para los grupos de tratamiento y control.
Nota : Si selecciona "Guardar columnas de efectos causales en la tabla" en el informe del modelo, las columnas que muestran los efectos causales estimados, incluido el puntaje de propensión, el logit del puntaje de propensión y si la fila coincidió, se guardarán en la tabla de datos original.
Análisis de datos coincidentes
El informe final, "Análisis de datos emparejados", proporciona información sobre el modelo ajustado a los datos emparejados.
El modelo utilizado aquí es un modelo logístico con el resultado Y, el tratamiento como efecto fijo y el ID de coincidencia como efecto aleatorio. En el emparejamiento por puntuación de propensión, los grupos de tratamiento y control con puntuaciones similares se emparejan, por lo que las observaciones dentro del ID no pueden considerarse independientes. Esta situación se soluciona tratándolas como efectos aleatorios.
Al observar las "Estimaciones de parámetros para efectos fijos", la estimación del parámetro "Tratamiento[0-1]" es -1,663. El [0-1] mostrado en el término indica el "efecto del grupo de control (=0) sobre el grupo de tratamiento (=1)", lo que indica que el logit (probabilidad de un efecto) del grupo de control es 1,663 menor que el del grupo de tratamiento.
El intervalo de confianza del 95% para el valor estimado (-1,663) es [-2,554, -0,772], que no cruza 0, y el valor p es pequeño en 0,003, por lo que hay una diferencia significativa.
En otras palabras, se puede inferir causalmente que realizar un procedimiento médico aumenta significativamente la probabilidad de lograr un resultado positivo .
La probabilidad predicha de "eficacia" para cada grupo se puede obtener seleccionando [Gráfico de Predicción Marginal] > [Perfil] en el botón triangular rojo a la izquierda del informe "Binomial". La probabilidad predicha para el grupo de control es de 0,117 y la probabilidad predicha para el grupo de tratamiento es de 0,411, lo que indica que se puede esperar que el tratamiento tenga un efecto de aproximadamente el 30 %.
Si invertimos el signo de la estimación del tratamiento (= -1,663) y colocamos ese valor en el hombro del exponente, obtenemos
exp(1.663) = 5.28
Esto muestra la razón de probabilidades (odds ratio) del grupo de tratamiento con respecto al grupo de control cuando el estándar es que existe un efecto. En otras palabras, al recibir el tratamiento, las probabilidades de efectividad aumentan aproximadamente 5,3 veces en comparación con el grupo de control.
Incluso si Y es una variable continua
En los ejemplos hasta este punto, Y ha sido una variable nominal binaria, pero el emparejamiento por puntaje de propensión se puede realizar usando operaciones similares cuando Y es una variable continua.
Los datos de muestra JMP "Blood Pressure Treatment.jmp" son un ejemplo del uso de una variable continua, "presión arterial sistólica posterior a la administración", como Y.
En este caso, se ajusta a los datos emparejados un modelo lineal mixto que supone una distribución normal para Y.
por Naohiro Masukawa (JMP Japón)
Naohiro Masukawa - Comunidad de usuarios de JMP
