JMP 학생용 버전 19를 사용하여 성향 점수 매칭 후 두 매칭 그룹에 대한 Kaplan-Meier 생존 곡선을 생성하는 것이 가능합니까?
JMP 커뮤니티 웹사이트의 정보에 따르면, 성향 점수 매칭 기능은 JMP 학생용 버전 19부터 사용 가능하며, 저는 성향 점수 매칭을 성공적으로 완료했습니다. 그러나 매칭된 두 그룹 간의 생존율을 비교하는 방법(즉, 매칭된 쌍을 기반으로 Kaplan-Meier 곡선을 생성하는 방법)을 찾지 못했습니다.
이 문제에 대한 귀하의 조언을 진심으로 감사드립니다. 또한, 이러한 유형의 생존 분석이 JMP 프로 에서는 가능하지만 학생용 버전에서는 불가능한 경우라면, 그 점에 대해서도 명확히 알려주시면 감사하겠습니다.
JMP Student Edition19에서는 경향 스코어 매칭 후에, 매칭시킨 2군에서의 카플란 마이어 곡선을 작성하는 것은 가능합니까?
JMP Community로 조사하면, JMP Student Edition 19로부터 경향 스코어 매칭 가능이라고 하고, 경향 스코어 매칭은 완료했습니다만, 매치시킨 2군에서의 생존율의 비교(카플란 마이어 곡선)의 방법을 알 수 없었습니다.
교수 받을 수 있으면 다행입니다. 만약, Student Edition이 아니라, JMP Pro이면 해석 가능등도 알고 있으면, 가르쳐 주세요.
안녕하세요, 커뮤니티에 오신 것을 환영합니다!
스팸 필터에서 방금 이 글을 내렸지만, 아마도 https://community.jmp.com/t5/Discussions/bd-p/discussions 페이지의 메뉴 바 왼쪽 상단에 있는 "토론" 그룹에 질문을 다시 올리시는 게 좋을 것 같습니다. 이 그룹은 관리가 잘 안 되는 것 같고, 소프트웨어에 대한 논의보다는 커뮤니티에 대한 이야기를 나누는 데 더 적합한 것 같습니다.
(스팸으로 분류된 이유를 전혀 모르겠네요...)
답변해 주셔서 감사합니다.
메뉴바 왼쪽 상단에 있는 "토론"에 댓글을 보내려고 합니다.
이 질문을 공유해 주셔서 감사합니다. 저도 JMP 학생용 에디션에서 성향 점수 매칭 후 생존 분석을 수행하는 방법에 대해 궁금했습니다. 매칭된 데이터에서 Kaplan-Meier 곡선을 직접 생성할 수 있는지, 아니면 특정 워크플로우를 따라야 하는지 설명해 주시면 정말 도움이 될 것 같습니다. 경험 많은 사용자분들의 의견을 기다리겠습니다.
안녕.
해결책을 찾으셨는지 모르겠지만, Kaplan-Meier 분석에는 '짝지은 표본' 옵션이 없습니다. 하지만 데이터에 따라 각 대상(또는 데이터에서 그룹에 해당하는 대상)의 두 값의 '차이'를 나타내는 새로운 변수를 만들 수 있을 것 같습니다. 데이터에 중도절단이 있는 경우, 이를 정확하게 정의해야 합니다. 이는 평균 차이에 대한 단일 표본 t-검정이 대응표본 t-검정과 동일한 원리입니다.
또는 "모델 적합"에서 "매개변수 생존 분석" 플랫폼을 사용할 수도 있습니다. 이 플랫폼에서는 그룹화 변수를 블록처럼 지정하게 됩니다. 이 플랫폼은 Kaplan-Meier 추정법을 사용하지만, 적절한 분포(예: Weibull)를 선택해야 합니다.
도움이 되길 바랍니다.
안녕하세요,
간단히 말해서, "아니요, JMP Pro나 JMP 학생용 에디션으로는 생존 분석을 위한 성향 점수 매칭을 수행할 수 없습니다."라고 답해야 할 것 같습니다.
JMP Pro와 JMP 학생용 에디션의 기능은 동일합니다. 따라서 JMP 학생용 에디션은 JMP Pro에서 할 수 있는 모든 작업을 수행할 수 있으며, JMP 학생용 에디션은 JMP Pro에서 할 수 없는 작업을 수행할 수 없습니다.
자세한 답변을 하려면 상당히 복잡해질 것 같습니다.
(1) "일반적인" 생존 분석(예: "일반적인" 로그 순위 검정 및 위험비 추정을 위한 "일반적인" Cox 위험)을 수행하는 것으로 충분하다고 생각되면 JMP Pro 및 JMP Student Edition에서 수행할 수 있습니다. 그러나 저는 개인적으로 그것만으로는 충분하지 않다고 생각합니다.
(2) JMP에서 R을 호출할 수 있습니다. 하지만 이를 위해서는 약간의 프로그래밍이 필요합니다.
(1)과 관련해서는 이야기가 매우 복잡합니다. 우선, 성향 점수 매칭(일반적인 선형 모델에서도) 자체를 사용하는 것에 대한 비판이 있습니다. 예를 들어, 시노자키, 하기와라, 타구리, 마쓰야마의 저서(ISBN 978-4-254-12312-8), 97쪽(일본어)을 참조하십시오. 수리통계학에서는 횡단면 데이터(선형 모델과 같은)에 대한 AIPW(증강 역확률 가중치, 즉 이중 강건 추정)가 비교적 간단한 이론으로 매우 잘 설명되고 요약되어 있습니다. 수리통계학에 대한 고급 지식이 있다면 치아티스의 저서(ISBN 978-0-387-32448-7)를 참조하십시오. 그러나 성향 점수 매칭의 타당성을 검증하는 것은 매우 어렵습니다.
제가 아는 한, "최적의" 성향 점수 매칭 방법에 대한 합의는 없습니다. 어떤 사람들은 비복원 추출 방식의 1:1 매칭이 최적이라고 생각하고, 어떤 사람들은 복원 추출 방식의 1:1 매칭이 최적이라고 생각하며, 또 다른 사람들은 복원 추출 여부와 관계없이 1:m 매칭이 최적이라고 생각합니다.
성향점수매칭이 인과 추론의 타당성 있는 방법이라고 생각하더라도, 여전히 다른 문제들이 존재합니다. 제가 아는 한, 표준오차를 추정하는 최적의 방법에 대해서는 (선형 모델과 같은 횡단면 분석에서도) 합의된 의견이 없습니다. 시노자키(Shinozaki) 외 연구진의 96~97페이지에 관련 내용이 나와 있습니다. 예를 들어, 비복원 1:1 매칭을 할 경우, 어떤 사람들은 매칭 변수를 포함할 필요가 없다고 생각하지만, 다른 사람들은 그렇지 않다고 생각합니다.
개인적으로는 주요 성향 점수 매칭 분석을 미리 결정하고, 민감도 분석으로 다양한 성향 점수 매칭 설정을 수행해야 한다고 생각합니다. 하지만 JMP는 위험비 추정을 위해 "일반적인" 로그 순위 검정이나 "일반적인" 콕스 비례 위험 분석만 수행할 수 있으므로 이러한 분석은 수행할 수 없습니다.
만약 여러분이 1:1 매칭 데이터에 대해 "일반적인" 로그랭크 검정을 수행한다고 생각하신다면, 그 절차를 설명해 드리고 싶습니다. 하지만 제 개인적인 생각으로는 그 방법만으로는 인과 효과를 추정하기에 충분하지 않습니다.
JMP Pro 또는 JMP 학생용 에디션은 생존 분석을 위한 REGADJ, IPWR 또는 AIPW를 수행할 수 없습니다.
