¿Es posible generar curvas de supervivencia de Kaplan-Meier para los dos grupos emparejados después del emparejamiento por puntaje de propensión utilizando Edición para estudiantes de JMP 19 ?
Según la información del sitio web de la Comunidad JMP, el emparejamiento por puntaje de propensión está disponible a partir de la Edición para Estudiantes de JMP 19, y logré completarlo correctamente. Sin embargo, no pude determinar cómo comparar la supervivencia entre los dos grupos emparejados (es decir, cómo crear curvas de Kaplan-Meier basadas en los pares emparejados).
Agradecería mucho su orientación sobre este asunto. Además, si este tipo de análisis de supervivencia es posible en JMP Pro pero no en la Edición para Estudiantes, le agradecería que me aclarara este punto.
¿Es posible crear curvas de Kaplan-Meier para dos grupos emparejados después del emparejamiento por puntaje de propensión en JMP Student Edition 19?
Cuando busqué en la Comunidad JMP, descubrí que la coincidencia de puntaje de propensión es posible desde JMP Student Edition 19, y completé la coincidencia de puntaje de propensión, pero no sabía cómo comparar las tasas de supervivencia (curvas de Kaplan-Meier) entre los dos grupos coincidentes.
Agradecería cualquier consejo que me puedan dar. Si saben si es posible analizarlo con JMP Pro en lugar de la Edición para Estudiantes, por favor, háganmelo saber.
Hola y bienvenido a la comunidad!
Acabo de publicar esto desde la trampa de spam, pero probablemente quieras volver a publicar tu pregunta en https://community.jmp.com/t5/Discussions/bd-p/discussions, "Discussions", en la esquina superior izquierda de la barra de menú. Creo que este grupo no se monitorea mucho y se centra en discusiones sobre la comunidad, no sobre el software.
(No tengo idea de qué hizo que terminara en la trampa de spam...)
Gracias por responder.
Intento enviar el comentario en "Discusiones", en la parte superior izquierda de la barra de menú.
Gracias por compartir esta pregunta. Yo también tenía curiosidad sobre cómo realizar un análisis de supervivencia tras el emparejamiento por puntuación de propensión en JMP Student Edition. Sería muy útil que alguien explicara si las curvas de Kaplan-Meier se pueden generar directamente a partir de los datos emparejados o si existe un flujo de trabajo específico. Espero con interés las aportaciones de usuarios experimentados.
Hola.
No sé si ya has encontrado una solución. Pero no hay una opción de "pares emparejados" en el análisis de Kaplan-Meier. Sin embargo, dependiendo de tus datos, podrías crear una nueva variable que represente la "diferencia" entre los dos valores para cada sujeto (o el grupo que corresponda en tus datos). Solo tendrías que asegurarte de definir correctamente qué es la censura, si la hay en tus datos. Esto es similar a cómo una prueba t de una muestra sobre la diferencia de medias es lo mismo que una prueba t pareada.
Como alternativa, puedes usar la plataforma de "supervivencia paramétrica" en "Ajustar modelo". Allí especificarías tu variable de agrupación como si fuera un bloque. Esta plataforma, sin embargo, calculará la distribución de Kaplan-Meier, pero tendrás que elegir una distribución apropiada (por ejemplo, Weibull).
Espero que esto ayude.
Hola,
Creo que la respuesta corta debe ser "No, JMP Pro o JMP Student Edition no pueden realizar el emparejamiento por puntuación de propensión para el análisis de supervivencia".
Las funcionalidades de JMP Pro y JMP Student Edition son las mismas. Por lo tanto, JMP Student Edition puede hacer lo que JMP Pro puede hacer, y JMP Student Edition no puede hacer lo que JMP Pro no puede hacer.
Creo que la respuesta larga debe volverse muy complicada.
(1) Si cree que basta con realizar un análisis de supervivencia "habitual" (como la prueba de log-rank "habitual" y el modelo de riesgos de Cox "habitual" para estimar las razones de riesgo), puede hacerlo en JMP Pro y JMP Student Edition. Pero personalmente creo que no es suficiente.
(2) Puedes invocar R desde JMP. Pero requiere algo de programación.
En cuanto a (1), la historia es muy complicada. En primer lugar, hay algunas críticas al uso del emparejamiento por puntuación de propensión (incluso para modelos lineales habituales). Por ejemplo, véase el libro de Shinozaki, Hagiwara, Taguri y Matsuyama (ISBN 978-4-254-12312-8), pág. 97 (en japonés). En estadística matemática, el AIPW (ponderación de probabilidad inversa aumentada, también conocida como estimación doblemente robusta) para datos transversales (como los modelos lineales) se explica y resume muy bien con teorías relativamente sencillas. Por ejemplo, véase el libro de Tsiatis (ISBN 978-0-387-32448-7) si se tienen conocimientos avanzados de estadística matemática. Pero el emparejamiento por puntuación de propensión es muy difícil de comprobar para verificar la validez.
Hasta donde sé, no existe consenso sobre cuál es el mejor método de emparejamiento por puntuación de propensión. Algunos opinan que el emparejamiento 1:1 sin reemplazo es el mejor, otros que el emparejamiento 1:1 con reemplazo es el mejor, y otros que consideran que el emparejamiento 1:m con o sin reemplazo es el mejor.
Aunque consideres que el emparejamiento por puntuación de propensión es válido para tu inferencia causal, aún existen otros problemas. Hasta donde sé, no hay consenso sobre el mejor método para estimar los errores estándar (ni siquiera en análisis transversales como los modelos lineales). Algunas referencias se encuentran en las páginas 96-97 de Shinozaki et al. Por ejemplo, si realizas un emparejamiento 1:1 sin reemplazo, algunos opinan que no es necesario incluir la variable de emparejamiento, mientras que otros no.
Por lo tanto, personalmente creo que es necesario decidir de antemano el análisis principal de emparejamiento por puntuación de propensión, y realizar diferentes configuraciones de emparejamiento por puntuación de propensión como análisis de sensibilidad. Sin embargo, JMP solo puede realizar la prueba de log-rank "habitual" o el análisis de riesgos proporcionales de Cox "habitual" para estimar las razones de riesgo, así que no es necesario realizarlas.
Si crees que estás realizando la prueba de log-rank "habitual" para datos de emparejamiento 1:1, me gustaría explicarte el procedimiento. Pero personalmente creo que este método no es suficiente para estimar efectos causales.
Ni JMP Pro ni JMP Student Edition pueden realizar análisis de supervivencia mediante REGADJ, IPWR o AIPW.
