Comparación de la puntuación de la propensión

Question

¿Cuál es el enfoque correcto cuando hay una variable que no afecta a la participación pero sí a la medida del resultado? Tengo un conjunto de datos del resultado de salud de un grupo de tratamiento y de control. Tengo datos sobre 3 covariables. 2 demográficas y una es una puntuación de línea base. Creo que la puntuación de la línea de base no afecta a la decisión de participación. Por lo tanto, incluirla en la estimación de la puntuación de propensión será un error. Pero medir el TCA ignorándolo será ignorar los datos.

Answer 1

Se hace un emparejamiento de puntuación de propensión en las covarías para crear un estudio cuasi aleatorio. Sólo es necesario emparejar las covariables que son diferentes en los grupos de estudio (tratamiento frente a control) y que afectan a la decisión de tratamiento (ya que el estudio NO es aleatorio, lo que en la práctica se hace mediante el lanzamiento de una moneda o un algoritmo binario (0 o 1)). De hecho, la puntuación de propensión se define como la probabilidad condicional del tratamiento teniendo en cuenta las covariables de confusión:

propscore(x) = Pr(T=1 | X=x) (1)

Dejemos que O(C) y O(T) representen los resultados potenciales bajo control y tratamiento. Entonces, la asignación del tratamiento es condicionalmente libre de confusión si los resultados potenciales son estadísticamente independientes del tratamiento condicionado a las covariables de confusión X. Esto puede escribirse como

O(C), O(T) TX (2)

donde denota independencia estadística. Mi pregunta es: ¿Cómo sabe que la covariable de referencia no afecta a la decisión de tratamiento? No entiendo cómo puede estar seguro de que esto es así. Tampoco creo que la estimación de la puntuación de propensión utilizando la covariable de referencia sea errónea. Así que mi recomendación es: utilizar la covariable de referencia en el proceso de emparejamiento de la puntuación de propensión. Como ya ha mencionado, hay un principio general en estadística: Cuantos más datos, mejor (lo llamo el axioma TMDTB). Sería interesante saber en qué escala están las covariables y cuáles son exactamente. Entonces podría darte más consejos. Espero que esto ayude un poco.

Philipp

Answer 2

Según Cuong (2013) "¿Qué covariables deben controlarse en el propensity score matching?..." deben formar parte del cálculo del psm todas aquellas variables que afecten a la participación en el programa y a los resultados, pero no aquellas que solo afecten a los resultados pero no a la participación en el programa.