Quando l'implementazione di test A/B e metodi simili risulta complessa, ricavare gli effetti reali da "dati osservazionali" che includono distorsioni dovute a fattori di fondo (confondimenti) richiede sia una comprensione matematica che una verifica intuitiva. Questa presentazione introduce un approccio che affronta efficacemente le problematiche legate ai fattori di confondimento utilizzando la piattaforma "Causal Treatment Effect", standard in JMP 19.
JMP 19 rappresenta una significativa evoluzione rispetto al precedente "SAS Japan Propensity Score Matching Add-in", implementando "IPW", che utilizza tutti i dati, e l'innovativo "AIPW (Dual Robust Method)", in grado di derivare effetti causali corretti anche se uno dei due modelli è errato.
Questa sessione svelerà i meccanismi matematici di questi metodi, spiegherà i criteri di selezione pratici e fornirà un modo semplice per passare dagli effetti sull'intera popolazione (ATE) agli effetti sul gruppo di trattamento (ATT). Inoltre, dimostreremo l'utilità di strumenti diagnostici grafici visivi come i grafici di bilanciamento delle covariate, che consentono una verifica immediata del grado di riduzione del bias. Basandoci sulla teoria matematica, proporremo un flusso di lavoro che permetterà a chiunque di identificare intuitivamente i "veri effetti causali" e di prendere decisioni ponderate.
