성향 점수는 회귀 분석에서 공변량을 추가하는 것과 어떻게 다릅니 까?

나는 성향 점수와 인과 분석에 비교적 익숙하지 않다는 것을 인정한다.

새로 온 사람으로서 나에게 분명하지 않은 한 가지는 성향 점수를 사용한 "밸런싱"이 회귀 분석에서 공변량을 추가 할 때 발생하는 것과 수학적으로 어떻게 다른가? 연산에서 다른 점은 무엇이며 회귀 분석에서 소집단 공변량을 추가하는 것보다 더 나은 이유는 무엇입니까?

방법을 실험적으로 비교하는 몇 가지 연구를 보았지만 두 방법의 수학적 특성과 회귀 공변량을 포함하여 PSM이 인과 해석에 적합한 이유에 대한 좋은 토론을 보지 못했습니다. 또한이 분야에는 많은 혼란과 논쟁이있어 물건을 집어 올리기가 더욱 어렵습니다.

이것에 대한 생각이나 구별을 더 잘 이해하기 위해 좋은 자료 / 논문에 대한 조언이 있습니까? (나는 천천히 Judea Pearl의 인과 관계 서적을 통해 나아갈 것이므로 저를 가리킬 필요가 없습니다)

한 가지 큰 차이점은 회귀가 이러한 특성을 선형 방식으로 "제어"한다는 것입니다. 성향 점수를 기준으로 일치하면 선형성 가정이 제거되지만 일부 관측치가 일치하지 않을 수 있으므로 특정 그룹에 대해 아무 말도하지 못할 수 있습니다.

예를 들어, 근로자 훈련 프로그램을 공부하는 경우 모든 등록자가 남성이 될 수 있지만 비 참가자 통제 인구는 남성과 여성으로 구성됩니다. 회귀를 사용하면 참여 지표 변수 및 남성 지표에 대해 회귀, 수입, 말을 할 수 있습니다. 모든 데이터를 사용하고 프로그램에 참여한 여성의 소득을 추정 할 수 있습니다.

당신이 일치하는 경우, 당신은 남자와 남자를 일치시킬 수 있습니다. 결과적으로 분석에 여성을 사용하지 않으며 결과는 여성과 관련이 없습니다.

회귀는 선형성 가정을 사용하여 추정 할 수 있지만 일치는 할 수 없습니다. 다른 모든 가정은 본질적으로 회귀와 일치 사이에서 동일합니다. 회귀에 대한 일치의 이점은 비모수 적이라는 것입니다.

자세한 내용 은 매칭 방법에 중점을 둔 과정에 대한 내 페이지를 참조하십시오 . 특히 인과 관계 추정 전략 가정을 참조하십시오 .

또한 성향 점수 일치를 설명 하는 Rosenbaum and Rubin (1983) 기사 를 확인하십시오 .

마지막으로, 1983 년 이후로 매칭은 먼 길을 왔습니다. Jas Sekhon의 웹 페이지 에서 유전자 매칭 알고리즘에 대해 알아보십시오.

짧은 대답은 성향 점수가 특히 인과 적 해석과 관련하여 동등한 ANCOVA 모델보다 나쁘지 않다는 것입니다.

성향 점수는 데이터 축소 방법으로 가장 잘 이해됩니다. 여러 공변량을 단일 점수로 줄여 변수 집합에 대한 관심 효과를 조정하는 데 사용할 수있는 효과적인 수단입니다. 그렇게하면 여러 공변량이 아닌 단일 성향 점수를 조정하여 자유도를 절약 할 수 있습니다. 이것은 확실히 통계적 이점을 제공하지만 더 이상은 아닙니다.

성향 점수와 함께 회귀 조정을 사용할 때 발생할 수있는 한 가지 질문은 모형에 포함 된 성향 점수를 추정하는 데 사용 된 모든 공변량으로 회귀 조정을 수행하는 대신 성향 점수를 사용하는 데 이득이 있는지 여부입니다. 로젠 바움 (Rosenbaum)과 루빈 (Rubin)은 "다변량 X에 대한 공분산 조정 분석으로부터의 처리 효과의 포인트 추정치는 동일한 샘플 공분산 매트릭스가 사용될 때마다 X에 기초한 샘플 선형 판별에 대한 단 변량 공분산 조정으로부터 얻은 추정치와 동일하다는 것을 보여 주었다 공분산 조정과 판별 분석 둘 다에 대해 " 따라서 두 방법의 결과는 동일한 결론으로 ​​이어져야합니다. 하나, 2 단계 절차를 수행 할 때의 이점 중 하나는 상호 작용 및 고 차항을 갖는 매우 복잡한 성향 스코어 모델에 적합하다는 것입니다. 이 성향 스코어 모델의 목표는 최선의 추정 된 치료 할당 확률을 얻는 것이기 때문에,이 모델을 과도하게 매개 변수화하는 것과 관련이 없습니다.

에서:

비 랜덤 화 제어 그룹에 대한 치료 비교에서 BIAS 감소를위한 수익 점수 방법

D' Agostino (로젠 바움과 루빈 인용)

D' agostino, RB 1998. 치료를 ​​비 랜덤 화 대조군과 비교할 때 편향 감소에 대한 성향 점수 일치. 통계 의학 17 : 2265–2281.

모호한 참조 일 가능성이 있지만이 책에 액세스 할 수 있으면이 책 장을 읽는 것이 좋습니다 ( Apel and Sweeten, 2010 ). 그것은 사회 과학자들을 목표로하고 있으며 아마도 당신이 원하는 것처럼 수학적으로 엄격하지는 않지만, 당신의 질문에 대한 만족스러운 답변 이상으로 충분히 깊이 들어가야합니다.

사람들이 성향 점수를 처리하는 몇 가지 방법이 있습니다. 회귀 모델에 공변량을 포함시키는 것과는 다른 결론을 도출 할 수 있습니다. 하나가 점수와 일치 할 때 하나가 반드시 모든 관찰에 대해 공통적 인지지를 가질 필요는 없습니다 (즉, 하나는 처리 그룹에있을 가능성이 전혀없는 것으로 보이는 일부 관찰과 항상 처리 그룹에있는 일부 관찰을 가짐). 또한 다양한 방식으로 관측 값에 가중치를 부여하여 다른 결론을 도출 할 수 있습니다.

여기에 대한 답변 외에도 인용 된 질문에 대한 답변을 확인하는 것이 좋습니다 . 공변량 균형을 달성하는 단순한 통계적 트릭보다 성향 점수 뒤에 더 많은 물질이 있습니다. Rosenbaum과 Rubin이 인용 한 논문을 읽고 이해하면 단순히 회귀 모형에 공변량을 추가하는 것보다 접근법이 다른 이유가 더 분명해질 것입니다. 귀하의 질문에 대한 더 만족스러운 답변은 반드시 성향 점수의 수학이 아니라 논리에 있다고 생각합니다.

저는 PS를 분석과 완전히 분리 된 연구의 디자인 부분으로 생각하고 싶습니다. 즉, 설계 (PS) 및 분석 (회귀 등)의 관점에서 생각할 수 있습니다. 또한 PS는 이진 처리를위한 교환 성을 지원하는 수단을 제공합니다. 결과 모델에 공변량을 포함시키는 것이 교환 성을 실제로 지원할 수 있는지 또는 결과 모델에 공변량을 포함시키기 전에 교환 성을 가정하는지에 대해 다른 사람들이 의견을 제시 할 수있다.

통계 분석법 Med Res. 2016 년 4 월 19 일.

성향 스코어 조정 비선형 회귀 모델의 편향 평가.

성향 점수 방법은 관찰 연구에서 조건부 치료 효과를 추정 할 때 관찰 된 혼란을 조정하기 위해 일반적으로 사용됩니다. 회귀 모델에서 성향 스코어의 공변량 조정 중 하나의 인기있는 방법은 경험적으로 비선형 모델에서 바이어스되는 것으로 나타났다. 그러나 강력한 이론적 근거는 제시되지 않았다. 우리는 성향 점수 추정기의 일관성과 비선형 모델의 축소 사이의 연결을 위조하기 위해 간단한 기하학적 접근을 사용하는 비선형 모델에서 성향 스코어 조정 처리 효과의 편향과 일관성을 조사하기위한 새로운 프레임 워크를 제안합니다. 이 프레임 워크에서 우리는 결과 모델에서 성향 점수의 조정 결과 성향 점수와 나머지 용어로 관찰 된 공변량의 분해 결과를 보여줍니다. 접을 수없는 회귀 모형에서이 나머지 항을 생략하면 조건부 확률 비율과 조건부 위험 비율의 추정값이 바이어스되지만 조건부 비율 비율에는 적합하지 않습니다. 우리는 시뮬레이션 연구를 통해, 이러한 성향 스코어 조정 추정기의 편향이 더 큰 치료 효과 크기, 더 큰 공변량 효과, 및 치료 모델에서 공변량의 계수 사이의 비 유사성이 증가함에 따라 증가한다는 것을 보여준다.