Ist es möglich, Kaplan-Meier-Überlebenskurven für die beiden gematchten Gruppen nach Propensity-Score-Matching mit JMP Studentenausgabe 19 zu generieren?
Laut Informationen auf der JMP Community-Website ist Propensity-Score-Matching ab JMP Student Edition 19 verfügbar, und ich konnte es erfolgreich durchführen. Allerdings konnte ich nicht herausfinden, wie man das Überleben der beiden gematchten Gruppen vergleicht (d. h. wie man Kaplan-Meier-Kurven auf Basis der gematchten Paare erstellt).
Ich wäre Ihnen für Ihre Unterstützung in dieser Angelegenheit sehr dankbar. Sollte diese Art der Überlebenszeitanalyse in JMP Pro , aber nicht in der Studentenversion möglich sein, wäre ich Ihnen außerdem dankbar, wenn Sie dies ebenfalls erläutern könnten.
Ist es möglich, in JMP Student Edition 19 Kaplan-Meier-Kurven für zwei gematchte Gruppen nach Propensity-Score-Matching zu erstellen?
Bei meiner Suche in der JMP Community stellte ich fest, dass Propensity-Score-Matching ab der JMP Student Edition 19 möglich ist. Ich führte das Propensity-Score-Matching durch, wusste aber nicht, wie ich die Überlebensraten (Kaplan-Meier-Kurven) zwischen den beiden gematchten Gruppen vergleichen sollte.
Ich wäre Ihnen für jeden Ratschlag dankbar. Falls Sie wissen, ob die Analyse mit JMP Pro anstelle der Studentenversion möglich ist, teilen Sie mir dies bitte mit.
Hallo und herzlich willkommen in der Community!
Ich habe diese Nachricht gerade aus dem Spamfilter entfernt, aber Sie sollten Ihre Frage wahrscheinlich in der Gruppe „Diskussionen“ (https://community.jmp.com/t5/Discussions/bd-p/discussions ) oben links in der Menüleiste erneut posten. Diese Gruppe wird meines Wissens nicht so stark moderiert und dient eher Diskussionen über die Community als über die Software.
(Keine Ahnung, warum es in die Spamfalle geraten ist...)
Vielen Dank für Ihre Antwort.
Ich versuche, den Kommentar im Bereich „Diskussionen“ oben links in der Menüleiste zu veröffentlichen.
Vielen Dank für die Frage. Ich bin ebenfalls daran interessiert, eine Überlebenszeitanalyse nach Propensity-Score-Matching in der JMP Student Edition durchzuführen. Es wäre sehr hilfreich, wenn mir jemand erklären könnte, ob Kaplan-Meier-Kurven direkt aus den gematchten Daten generiert werden können oder ob ein bestimmter Arbeitsablauf zu befolgen ist. Ich freue mich auf die Erkenntnisse erfahrener Nutzer.
Hallo.
Ich bin mir nicht sicher, ob Sie hier bereits eine Lösung gefunden haben. Die Kaplan-Meier-Analyse bietet keine Option für gepaarte Stichproben. Abhängig von Ihren Daten wäre es jedoch möglich, eine neue Variable zu erstellen, die die Differenz zwischen den beiden Werten für jede Versuchsperson (bzw. die jeweilige Gruppe in Ihren Daten) darstellt. Sie müssten lediglich sicherstellen, dass Sie Zensierung korrekt definieren, falls Ihre Daten Zensierung aufweisen. Dies ist vergleichbar mit einem t-Test für eine Stichprobe auf die Mittelwertdifferenz, der einem t-Test für abhängige Stichproben entspricht.
Alternativ können Sie die Plattform „Parametrische Überlebenszeitanalyse“ in „Modell anpassen“ verwenden. Dort geben Sie Ihre Gruppierungsvariable wie einen Block an. Diese Plattform verwendet jedoch die Kaplan-Meier-Methode, wobei Sie eine geeignete Verteilung (z. B. Weibull) auswählen.
Ich hoffe, das hilft.
Hallo,
Ich denke, die kurze Antwort muss lauten: „Nein, JMP Pro oder JMP Student Edition können kein Propensity-Score-Matching für Überlebenszeitanalysen durchführen.“
Die Funktionen von JMP Pro und JMP Student Edition sind identisch. Daher kann JMP Student Edition alles, was JMP Pro kann, und kann nichts, was JMP Pro nicht kann.
Ich glaube, die ausführliche Antwort muss sehr kompliziert werden.
(1) Wenn Sie der Meinung sind, dass eine „übliche“ Überlebenszeitanalyse (wie der „übliche“ Log-Rank-Test und die „übliche“ Cox-Regression zur Schätzung von Hazard-Ratios) ausreicht, können Sie dies mit JMP Pro und JMP Student Edition tun. Ich persönlich halte das jedoch für unzureichend.
(2) Sie können R aus JMP aufrufen. Dies erfordert jedoch einige Programmierkenntnisse.
Zu Punkt (1) ist die Sachlage sehr komplex. Zunächst gibt es Kritik an der Verwendung von Propensity-Score-Matching (selbst für gängige lineare Modelle). Siehe beispielsweise das Buch von Shinozaki, Hagiwara, Taguri und Matsuyama (ISBN 978-4-254-12312-8), S. 97 (japanisch). In der mathematischen Statistik wird AIPW (Augmented Inverse Probability Weighting, auch bekannt als doppelt robuste Schätzung) für Querschnittsdaten (ähnlich linearen Modellen) anhand relativ einfacher Theorien sehr gut erklärt und zusammengefasst. Beispielsweise ist das Buch von Tsiatis (ISBN 978-0-387-32448-7) empfehlenswert, falls Sie über fortgeschrittene Kenntnisse in mathematischer Statistik verfügen. Die Validitätsprüfung von Propensity-Score-Matching ist jedoch äußerst schwierig.
Meines Wissens besteht kein Konsens darüber, welches Propensity-Score-Matching am besten ist. Manche halten 1:1-Matching ohne Zurücklegen für optimal, andere 1:1-Matching mit Zurücklegen, und wieder andere 1:m-Matching mit oder ohne Zurücklegen.
Selbst wenn Sie die Propensity-Score-Matching-Methode für eine valide Kausalanalyse halten, bestehen weiterhin Probleme. Meines Wissens herrscht kein Konsens über die beste Methode zur Schätzung von Standardfehlern (selbst in Querschnittsanalysen wie linearen Modellen). Einige Hinweise dazu finden sich auf den Seiten 96–97 in Shinozaki et al. Beispielsweise ist bei einem 1:1-Matching ohne Zurücklegen die Meinung einiger Forscher, dass die Matching-Variable nicht benötigt wird, während andere dies nicht tun.
Daher bin ich persönlich der Meinung, dass Sie die Hauptanalyse des Propensity-Score-Matchings im Voraus festlegen und verschiedene Einstellungen für das Propensity-Score-Matching als Sensitivitätsanalysen durchführen sollten. JMP kann jedoch nur den „üblichen“ Log-Rank-Test oder die „übliche“ Cox-Regressionsanalyse zur Schätzung von Hazard-Ratios durchführen. Daher sollten Sie diese Analysen nicht durchführen.
Falls Sie der Meinung sind, dass Sie bei 1:1-Matching-Daten einen „üblichen“ Logrank-Test durchführen, möchte ich Ihnen das Vorgehen erläutern. Ich persönlich halte diese Methode jedoch für unzureichend, um kausale Effekte abzuschätzen.
Auch JMP Pro oder JMP Student Edition können REGADJ, IPWR oder AIPW für die Überlebenszeitanalyse nicht ausführen.
