Wenn A/B-Tests und ähnliche Methoden schwer umzusetzen sind, erfordert die Ableitung tatsächlicher Effekte aus „Beobachtungsdaten“, die Verzerrungen durch Hintergrundfaktoren (Störfaktoren) enthalten, sowohl mathematisches Verständnis als auch intuitive Überprüfung. Diese Präsentation stellt einen Ansatz vor, der die Herausforderungen von Störfaktoren mithilfe der in JMP 19 standardmäßig enthaltenen Plattform „Kausaler Behandlungseffekt“ effektiv bewältigt.
JMP 19 stellt eine bedeutende Weiterentwicklung des vorherigen „SAS Japan Propensity Score Matching Add-ins“ dar und implementiert „IPW“, das alle Daten nutzt, sowie das hochmoderne „AIPW (Dual Robust Method)“, das korrekte Kausalzusammenhänge ableiten kann, selbst wenn eines der beiden Modelle fehlerhaft ist.
In dieser Sitzung werden die mathematischen Mechanismen dieser Methoden erläutert, praktische Auswahlkriterien erklärt und eine einfache Möglichkeit aufgezeigt, zwischen Effekten auf die Gesamtpopulation (ATE) und Effekten auf die Behandlungsgruppe (ATT) umzuschalten. Darüber hinaus demonstrieren wir den Nutzen visueller, grafischer Diagnosewerkzeuge wie Kovariatenbilanzdiagramme, die eine schnelle Überprüfung des Ausmaßes der Bias-Reduzierung ermöglichen. Basierend auf mathematischer Theorie schlagen wir einen Arbeitsablauf vor, der es jedem ermöglicht, intuitiv „echte Kausalzusammenhänge“ zu erkennen und fundierte Entscheidungen zu treffen.
