Cómo son los puntajes de propensión diferente de la adición de las covariables en una regresión, y cuando se preferían a la última?

Question

Admito que soy relativamente nuevo en los puntajes de propensión y el análisis causal.

Una cosa que no es obvio para mí como un recién llegado es cómo el "equilibrio" el uso de los puntajes de propensión es matemáticamente diferente de lo que ocurre cuando añadimos las covariables en una regresión? ¿Qué es diferente acerca de la operación, y por qué es (o es) mejor que la adición de subpoblación covariables en una regresión?

He visto algunos de los estudios que hacer una comparación empírica de los métodos, pero no he visto una buena discusión sobre las propiedades matemáticas de los dos métodos y por qué PSM se presta a interpretaciones causales, mientras que incluyendo la regresión covariables no. También parece haber una gran confusión y controversia en este campo, lo que hace las cosas aún más difíciles de recoger.

Alguna idea sobre esto o cualquier punteros a buenos recursos/documentos para comprender mejor la distinción? (Poco a poco estoy haciendo mi camino a través de Judea Pearl causalidad libro, así que no hay necesidad que me apunte a eso)

Answer 1

Una gran diferencia es que la regresión "controles" esas características en una forma lineal. Coincidencia por puntajes de propensión elimina la suposición de linealidad, pero, como algunas observaciones pueden no ser coincidentes, puede no ser capaz de decir nada acerca de ciertos grupos.

Por ejemplo, si estás estudiando un programa de formación de trabajadores, usted puede tener todos los inscritos ser hombres, pero el control, no-participante de la población se compone de hombres y mujeres. Utilizando la regresión, usted podría regresar, los ingresos, por ejemplo, en un indicador de participación variable y un macho de indicador. Tendría que usar todos tus datos y podría estimar el ingreso de una mujer que había participado en el programa.

Si estaban haciendo coincidencia, sólo se puede igualar a los hombres a los hombres. Como resultado, usted no estaría usando alguna de las mujeres de su análisis y sus resultados no pertenecen a ellos.

La regresión puede extrapolar el uso de la linealidad de la asunción, pero la coincidencia no puede. Todos los demás supuestos son esencialmente los mismos entre la regresión y la coincidencia. El beneficio de la coincidencia de más de regresión es que es una técnica no-paramétrica (excepto que usted tiene que asumir que usted tiene el derecho de puntuación de propensión, si eso es lo que ustedes están haciendo su coincidencia).

Para una discusión más detallada, ver mi página aquí para un curso que estaba muy centrado en métodos de juego. Véase, en particular, los Efectos Causales de la Estimación de la Estrategia de Supuestos.

También, asegúrese de revisar la Rosenbaum y Rubin (1983) artículo que describe la puntuación de la propensión.

Por último, la coincidencia ha recorrido un largo camino desde 1983. Echa un vistazo Jas Sekhon de la página web para aprender acerca de su genética algoritmo de coincidencia.

Answer 2

La respuesta corta es que los puntajes de propensión, no son mejor que el equivalente ANCOVA modelo, particularmente con respecto a la interpretación causal.

Los puntajes de propensión se entiende mejor como un método de reducción de datos. Son un medio eficaz para reducir muchas de las covariables en una puntuación única que se puede utilizar para ajustar un efecto de interés para un conjunto de variables. Al hacerlo, puede ahorrar a los grados de libertad mediante el ajuste de una sola puntuación de propensión en lugar de múltiples covariables. Esto presenta una ventaja estadística, sin duda, pero nada más.

Una pregunta que puede surgir cuando se utiliza la regresión de ajuste con los puntajes de propensión es si hay alguna ganancia en el uso de la propensión la puntuación en lugar de realizar una regresión de ajuste con todos los las covariables utilizadas para estimar el puntaje de propensión incluido en el modelo. Rosenbaum y Rubin mostró que el "cálculo del punto de la efecto del tratamiento a partir de un análisis de covarianza de ajuste para multivariante de X es igual a la estimación obtenida a partir de una univariante la covarianza de ajuste para la muestra lineal discriminante basado en X, siempre el mismo ejemplo de matriz de covarianza se utiliza para el la covarianza de ajuste y el análisis discriminante". Por lo tanto, la los resultados de ambos métodos conducen a las mismas conclusiones. Sin embargo, una de las ventajas de llevar a cabo el procedimiento de dos pasos es que uno puede caber una muy complicado puntaje de propensión modelo con interacciones y los términos de orden superior en primer lugar. Puesto que el objetivo de este puntaje de propensión el modelo es obtener el mejor estimado de la probabilidad de que el tratamiento asignación, uno no se preocupa con la parametrización de este modelo.

De:

PUNTUACIÓN DE PROPENSIÓN MÉTODOS PARA LA REDUCCIÓN DE SESGO EN LA COMPARACIÓN DE UN TRATAMIENTO PARA UN NO-ALEATORIZADOS GRUPO DE CONTROL

D'Agostino (citando a Rosenbaum y Rubin)

http://web.pdx.edu/~nwallace/EPA/Dagostino1998.pdf

Answer 3

Una probable obtuso de referencia, pero si por casualidad tienen acceso a ella, me gustaría recomendar la lectura de este libro capítulo (Apel y Endulzar, 2010). Está dirigido a científicos sociales y de lo que tal vez no como matemáticamente rigurosa como la que parecen querer, pero debe de ir en la profundidad suficiente para ser algo más que una respuesta satisfactoria a su pregunta.

Hay un par de personas de diferentes maneras de tratar a los puntajes de propensión que pueden resultar en diferentes conclusiones a partir de sólo incluir covariables en un modelo de regresión. Cuando uno de los partidos de las puntuaciones de uno no necesariamente tiene soporte común para todas las observaciones (es decir, uno tiene algunas observaciones que parecen nunca tener la oportunidad de estar en el grupo de tratamiento, y algunos que están siempre en el grupo de tratamiento). También el peso de las observaciones en las distintas maneras en que puede resultar en conclusiones diferentes.

Además de las respuestas aquí también sugeriría usted echa un vistazo a las respuestas a la pregunta chl citado. Hay más sustancia detrás de puntajes de propensión que una simple estadística truco para lograr covariable equilibrio. Que usted lea y entienda los muy citados artículos por Rosenbaum y Rubin será más claro por qué el enfoque es diferente de simplemente agregar en las covariables en un modelo de regresión. Creo que una más satisfactoria respuesta a tu pregunta es no necesariamente en las matemáticas detrás de las puntuaciones de la propensión pero en su lógica.

Answer 4

Me gusta pensar en PS como parte del diseño del estudio, en la que se separa completamente del análisis. Es decir, usted puede ser que desee pensar en términos de diseño (PS) y el análisis (regresión etc...). También, PS, dándole una media de apoyo a la intercambiabilidad para los binarios de tratamiento; tal vez los demás pueden comentar sobre si la inclusión de las covariables en el resultado del modelo puede actaully apoyo exchangebility, o si uno asume la intercambiabilidad previo a la inclusión de las covariables en el resultado del modelo.