Cuando las pruebas A/B y métodos similares son difíciles de implementar, derivar efectos reales a partir de datos observacionales que incluyen sesgos debidos a factores de fondo (factores de confusión) requiere tanto comprensión matemática como verificación intuitiva. Esta presentación introduce un enfoque que aborda eficazmente los desafíos de la confusión mediante la plataforma "Efecto Causal del Tratamiento", que viene incluida de serie en JMP 19.
JMP 19 representa una evolución significativa con respecto al anterior "SAS Japan Propensity Score Matching Add-in", que implementa "IPW", que utiliza todos los datos, y el vanguardista "AIPW (Dual Robust Method)", que puede derivar efectos causales correctos incluso si uno de los dos modelos es incorrecto.
Esta sesión desentrañará los mecanismos matemáticos de estos métodos, explicará los criterios de selección prácticos y proporcionará una forma sencilla de alternar entre los efectos en la población total (ATE) y los efectos en el grupo de tratamiento (ATT). Además, demostraremos la utilidad de las herramientas de diagnóstico gráfico visual, como los gráficos de equilibrio de covariables, que permiten verificar de un vistazo el grado de reducción del sesgo. Basándonos en la teoría matemática, propondremos un flujo de trabajo que permite a cualquier persona identificar intuitivamente los "verdaderos efectos causales" y tomar decisiones acertadas.
