JMP 学生版 19を使用して傾向スコアマッチングを行った後、マッチングした 2 つのグループの Kaplan–Meier 生存曲線を生成することは可能ですか?
JMPコミュニティウェブサイトの情報によると、傾向スコアマッチングはJMP Student Edition 19から利用可能とのことで、私も傾向スコアマッチングを無事に完了することができました。しかし、マッチングした2つのグループ間の生存率をどのように比較すればよいのか（つまり、マッチングしたペアに基づいてKaplan–Meier曲線をどのように作成すればよいのか）が分かりませんでした。
この件についてご指導いただければ幸いです。また、この種の生存分析がJMPプロでは可能で、Student Editionではできないのであれば、その点もご説明いただければ幸いです。
JMP Student Edition19では傾向スコアマッチング後に、マッチングさせた2群でのカプランマイヤー曲線を作成することは可能でしょうか？
JMP Communityで調べますと、JMP Student Edition 19から傾向スコアマッチング可能とあり、傾向スコアマッチングは完了したのですが、マッチさせた２群での生存率の比較(カプランマイヤー曲線)の仕方がわかりませんでした。
ご教授頂けますと幸いです。もし、Student Editionでなく、JMP Proであれば解析可能などもわかりましたら、教えてください。
こんにちは。コミュニティへようこそ！
スパムトラップから解放しましたが、質問はhttps://community.jmp.com/t5/Discussions/bd-p/discussionsのメニューバー左上の「ディスカッション」に再投稿することをお勧めします。このグループはあまり監視されておらず、ソフトウェアに関する議論というよりはコミュニティに関する議論のためのものだと思います。
(なぜスパムトラップに引っかかったのかは分かりません...)
ご返信ありがとうございます。
メニューバーの左上にある「ディスカッション」からコメントを送信してみます。
この質問を投稿していただきありがとうございます。私もJMP Student Editionで傾向スコアマッチング後の生存分析を行う方法について興味がありました。マッチングされたデータから直接カプラン・マイヤー曲線を作成できるのか、それとも特定のワークフローに従う必要があるのかを教えていただけると大変助かります。経験豊富なユーザーの方々からのご意見をお待ちしております。
こんにちは。
解決策が見つかったかどうかはわかりませんが、カプラン・マイヤー分析には「対応のあるペア」オプションはありません。ただし、データによっては、各被験者（またはデータ内のグループ）の2つの値の「差」を表す新しい変数を作成できる可能性があります。データに打ち切りデータがある場合は、打ち切りデータを適切に定義する必要があります。これは、平均差に対する1標本t検定が対応のあるt検定と同じであるのと同様です。
あるいは、「モデルの適合」にある「パラメトリック生存分析」プラットフォームを使用することもできます。このプラットフォームでは、グループ化変数をブロックのように指定します。ただし、このプラットフォームではカプラン・マイヤー法が用いられますが、適切な分布（例：ワイブル分布）を選択する必要があります。
お役に立てば幸いです。
こんにちは、
簡潔に答えるなら、「いいえ、JMP ProまたはJMP Student Editionでは、生存分析のための傾向スコアマッチングはできません」となるでしょう。
JMP ProとJMP Student Editionの機能は同じです。つまり、JMP Student EditionはJMP Proができることはできますが、JMP Student EditionはJMP Proができないことはできません。
長々と説明すると、かなり複雑になってしまうと思います。
（１）「通常の」生存分析（「通常の」ログランク検定やハザード比を推定するための「通常の」Coxハザードなど）を行うだけで十分だとお考えであれば、JMP ProやJMP Student Editionで実行できます。しかし、個人的にはそれでは不十分だと思います。
（２）JMPからRを呼び出すことはできます。ただし、プログラミングが必要です。
（１）に関しては、話は非常に複雑です。まず、傾向スコアマッチング（通常の線形モデルであっても）の使用自体に批判があります。例えば、篠崎、萩原、田栗、松山共著の書籍（ISBN 978-4-254-12312-8）97ページ（日本語）を参照してください。数理統計学では、横断的データ（線形モデルなど）に対するAIPW（拡張逆確率重み付け、別名二重ロバスト推定）が、比較的単純な理論で非常によく説明され、まとめられています。例えば、数理統計学についてある程度の知識があれば、Tsiatisの書籍（ISBN 978-0-387-32448-7）を参照してください。しかし、傾向スコアマッチングの妥当性を検証することは非常に困難です。
私の知る限り、「最適な」傾向スコアマッチングについてはコンセンサスが得られていません。1対1の非復元抽出マッチングが最適だと考える人もいれば、1対1の復元抽出マッチングが最適だと考える人もいますし、1対多の復元抽出マッチングが最適だと考える人もいます。
傾向スコアマッチングが因果推論として有効だと考えているとしても、他にも問題があります。私の知る限り、標準誤差を推定する最良の方法（線形モデルのような横断的分析であっても）についてはコンセンサスが得られていません。Shinozaki et al. の 96-97 ページにいくつかの参考文献が記載されています。例えば、1:1 の非復元抽出マッチングを行う場合、マッチング変数を含める必要はないと考える人もいれば、含めるべきだと考える人もいます。
ですから、私個人としては、主要な傾向スコアマッチング分析を事前に決定し、感度分析としていくつかの異なる傾向スコアマッチング設定を実行する必要があると考えています。しかし、JMPではハザード比を推定するために「通常の」ログランク検定または「通常の」Cox比例ハザード分析しか実行できないため、それらは実行されません。
1対1のマッチングデータに対して「通常の」ログランク検定を実施していると思われる場合は、その手順を説明したいと思います。しかし、個人的には、その方法は因果効果を推定するには不十分だと考えています。
JMP ProやJMP Student Editionでは、生存分析のためのREGADJ、IPWR、AIPWを実行することはできません。
