성향 점수 가중치에서 치료 가중치의 역 확률 (IPTW)에 대한 직관적 인 설명?

성향 점수 사용하여 가중치를 계산하는 메커니즘을 이해합니다 . 그리고 회귀 분석에서 가중치를 적용하고 가중치가 치료 및 대조군 집단 집단에서 공변량의 효과를 "조절"하거나 결과 변수와 연관을 해제시킨다. $p(x_i)$

\begin{aligned} w_{i, j = t r e a t} & = \frac{1}{p (x_{i})} \\ w_{i, j = c o n t r o l} & = \frac{1}{1 - p (x_{i})} \end{aligned}

$\begin{align} w_{i, j={\rm treat}} &= \frac{1}{p(x_i)} \\[5pt] w_{i, j={\rm control}} &= \frac{1}{1-p(x_i)} \end{align}$

그러나 직감 수준에서 가중치가 어떻게 달성되는지, 왜 방정식이 그대로 구성되는지 이해하지 못합니다.

intuition weighted-regression propensity-scores

— RobertF
소스

계산 된 성향 점수 는 대상체 가 의 정보가 주어진 치료를받을 확률이다 . IPTW 절차를 만들기 위해 시도 카운터 - 사실적인 성향 점수를 사용하여 추론이 더욱 두드러. 치료를받을 가능성이 높고 실제로 치료를받을 가능성은 높지만 이에 대한 정보는 없습니다. 치료를받을 확률이 낮고 실제로 치료를받는 것은 드문 일이므로 치료를받을 확률이 낮은 대상에게 치료가 어떤 영향을 미치는지에 대한 정보가 더 많습니다. 즉. 제어 대상과 주로 관련된 특성. 따라서 치료 대상의 가중치는 $p(x_i)$ $i$ $X$ $\text{w}_{i,j=\text{treat}} = \frac{1}{p(x_i)}$ 가능성이 낮거나 정보가 많은 치료 대상에게 더 많은 체중 추가. 동일한 생각에 따라, 대조군 대상체가 치료를받을 가능성이 큰 경우, 이는 대상체가 대조군에있을 경우 치료 대상체가 어떻게 행동 할 것인지에 대한 유익한 지표이다. 이 경우 제어 주제에 대한 가중치는 에 가중 / 매우 유익한 제어에 더 많은 가중치 추가 과목. 실제로, 처음에는 등식이 다소 임의적으로 보일 수 있지만, 그것들은 반의 사적 근거로 쉽게 설명 될 수 있다고 생각합니다. 궁극적으로 모든 매칭 / PSM / 가중 루틴은 관측 데이터에서 유사 실험 프레임 워크를 스케치하려고 시도합니다. 새로운 이상 $\text{w}_{i,j=\text{control}} = \frac{1}{1-p(x_i)}$ 실험.

만약 당신이 그것들을 보지 못했다면 스튜어트 (2010) : 인과 추론을위한 매칭 방법 : 검토 와 기대와 기대 그리고 김 (2011) : 사회 과학에서 성향 점수 방법의 체계적인 검토 ; 둘 다 훌륭하게 작성되었으며 문제에 대한 좋은 입장 서류로 사용됩니다. 또한 King의 매칭 에 성향 스코어를 사용해서는 안되는 이 우수한 2015 강의를 확인 하십시오 . 그들은 내가 그 주제에 대한 나의 직감을 구축하는 데 정말로 도움이되었습니다.

— usεr11852
소스

좋은 답변 감사합니다! 물론, 가중 공식에서 추론 공식에 대한 추론은 분명합니다. 2015 년 킹 기사를 살펴 보았습니다. 매우 유용한 정보를 제공하지만 트리밍없이 성향 점수 일치로 탁월한 균형을 이룬다면 성향 점수를 사용하지 않는 이유는 무엇입니까?

— RobertF

도움이 되셨 다니 다행입니다. King 관련 (2015) : PSM을 통해 탁월한 균형을 이루려면 PSM을 사용해야합니다. 문제는 PSM 이 완전히 차단 된 무작위 실험 설계에서와 같이 설계되지 않았기 때문에 일반적으로 우수한 균형을 이루지 못한다 는 것입니다.

— usεr11852

훌륭한 답변 @ usεr11852

— Nicg

감사합니다. 당신이 말하는 것이 좋습니다.

— usεr11852