È possibile generare curve di sopravvivenza di Kaplan-Meier per i due gruppi abbinati dopo l'abbinamento del punteggio di propensione utilizzando JMP Student Edition 19 ?
Secondo le informazioni presenti sul sito web della Community JMP, il propensity score matching è disponibile a partire da JMP Student Edition 19 e sono riuscito a completarlo con successo. Tuttavia, non sono riuscito a determinare come confrontare la sopravvivenza tra i due gruppi abbinati (ovvero, come creare curve di Kaplan-Meier basate sulle coppie abbinate).
Apprezzerei molto la vostra guida in merito. Inoltre, se questo tipo di analisi di sopravvivenza è possibile in JMP Pro ma non nella Student Edition, vi sarei grato se poteste chiarire anche questo punto.
È possibile creare curve di Kaplan-Meier per due gruppi abbinati dopo l'abbinamento del punteggio di propensione in JMP Student Edition 19?
Quando ho effettuato una ricerca nella community JMP, ho scoperto che è possibile effettuare l'abbinamento del punteggio di propensione a partire da JMP Student Edition 19 e sono riuscito a completare l'abbinamento del punteggio di propensione, ma non sapevo come confrontare i tassi di sopravvivenza (curve di Kaplan-Meier) tra i due gruppi abbinati.
Apprezzerei qualsiasi consiglio possiate darmi. Se sapete se è possibile analizzarlo con JMP Pro invece che con la Student Edition, fatemelo sapere.
Ciao e benvenuto nella community!
Ho appena rimosso la domanda dalla trappola dello spam, ma probabilmente vorrai ripubblicarla su https://community.jmp.com/t5/Discussions/bd-p/discussions, nella sezione "Discussioni", in alto a sinistra nella barra dei menu. Credo che questo gruppo non sia molto monitorato e sia dedicato alle discussioni sulla community piuttosto che a quelle sul software.
(Non ho idea di cosa l'abbia fatto finire nella trappola dello spam...)
Grazie per aver risposto.
Provo a inviare il commento in "Discussioni", in alto a sinistra nella barra dei menu.
Grazie per aver condiviso questa domanda. Anch'io ero curioso di sapere come eseguire un'analisi di sopravvivenza dopo l'abbinamento tramite punteggio di propensione in JMP Student Edition. Sarebbe davvero utile se qualcuno potesse spiegare se le curve di Kaplan-Meier possono essere generate direttamente dai dati abbinati o se esiste un flusso di lavoro specifico da seguire. Attendo con interesse i pareri degli utenti più esperti.
CIAO.
Non so se sei riuscito a trovare una soluzione. Nell'analisi di Kaplan-Meier non esiste un'opzione "coppie appaiate". Tuttavia... a seconda dei tuoi dati, potresti creare una nuova variabile che rappresenti la "differenza" tra i due valori per ciascun soggetto (o qualunque sia il gruppo nei tuoi dati). Dovresti solo assicurarti di definire correttamente cosa si intende per censura, se presente nei tuoi dati. Questo è analogo a come un test t a campione singolo sulla differenza delle medie sia equivalente a un test t appaiato.
In alternativa, è possibile utilizzare la piattaforma "sopravvivenza parametrica" in "Adatta modello". In questo caso, si specificherebbe la variabile di raggruppamento come se fosse un blocco. Questa piattaforma, tuttavia, eseguirà l'analisi di Kaplan-Meier, ma sarà necessario scegliere una distribuzione appropriata (ad esempio, Weibull).
Spero che questo sia d'aiuto.
Ciao,
Penso che la risposta breve sia "No, JMP Pro o JMP Student Edition non possono eseguire il propensity score matching per l'analisi di sopravvivenza".
Le funzionalità di JMP Pro e JMP Student Edition sono identiche. Pertanto, JMP Student Edition può fare ciò che può fare JMP Pro, e JMP Student Edition non può fare ciò che JMP Pro non può fare.
Penso che la risposta completa diventi molto complessa.
(1) Se pensi che sia sufficiente eseguire un'analisi di sopravvivenza "standard" (come il test log-rank "standard" e il modello di rischio di Cox "standard" per la stima dei rapporti di rischio), puoi farlo su JMP Pro e JMP Student Edition. Ma personalmente penso che non sia sufficiente.
(2) È possibile richiamare R da JMP. Ma ciò richiede un po' di programmazione.
Per quanto riguarda il punto (1), la questione è molto complessa. Inizialmente, ci sono state delle critiche all'utilizzo del calcolo del punteggio di propensione (anche per i modelli lineari usuali). Ad esempio, si veda il libro di Shinozaki, Hagiwara, Taguri e Matsuyama (ISBN 978-4-254-12312-8), p. 97 (in giapponese). Nella statistica matematica, l'AIPW (ponderazione inversa della probabilità aumentata, nota anche come stima doppiamente robusta) per dati trasversali (come i modelli lineari) è spiegato e riassunto molto bene con teorie relativamente semplici. Ad esempio, si veda il libro di Tsiatis (ISBN 978-0-387-32448-7) se si possiedono conoscenze avanzate di statistica matematica. Tuttavia, il calcolo del punteggio di propensione è molto, molto difficile da verificare in termini di validità.
Per quanto ne so, non c'è consenso sul metodo di abbinamento basato sul punteggio di propensione "migliore". Alcuni ritengono che l'abbinamento 1:1 senza reimmissione sia il migliore, altri che l'abbinamento 1:1 con reimmissione sia il migliore, altri ancora che l'abbinamento 1:m con o senza reimmissione sia il migliore.
Anche se si ritiene che il propensity score matching sia valido come inferenza causale, permangono altri problemi. Per quanto ne so, non c'è consenso sul metodo migliore per stimare gli errori standard (nemmeno nelle analisi trasversali come i modelli lineari). Alcuni riferimenti sono riportati alle pagine 96-97 di Shinozaki et al. Ad esempio, se si effettua un matching 1:1 senza reimmissione, alcuni ritengono che non sia necessario includere la variabile di matching, mentre altri sono contrari.
Quindi, personalmente penso che sia necessario decidere in anticipo l'analisi principale di corrispondenza del punteggio di propensione e che sia necessario eseguire alcune impostazioni diverse di corrispondenza del punteggio di propensione come analisi di sensibilità. Ma JMP può eseguire solo il test log-rank "standard" o l'analisi proporzionale di Cox "standard" per la stima dei rapporti di rischio, quindi non li esegui.
Se pensate di eseguire il test logrank "standard" per dati con corrispondenza 1:1, vorrei spiegarvi la procedura. Personalmente, però, ritengo che questo metodo non sia sufficiente per stimare gli effetti causali.
Né JMP Pro né JMP Student Edition sono in grado di eseguire REAGDJ, IPWR o AIPW per l'analisi di sopravvivenza .
