En el análisis de la puntuación de propensión, ¿qué opciones para lidiar con inclinaciones muy grandes o pequeñas?

Question

$\newcommand{\P}{\mathbb{P}}$Me preocupa con datos observacionales en los que el tratamiento de asignación puede ser explicado muy bien. Por ejemplo, una regresión logística de

$$\P(A =1 |X) = (1+ \exp(-(X\beta)))^{-1}$$

wehre $A$ tratamiento de asignación y $X$ covariables tiene muy buen ajuste con muy alta prueba de $AUC >.80$$>.90$. Esta es una buena noticia para la exactitud de la propensión modelo, pero conduce a la puntuación de propensión estimaciones $$\hat{\pi} = (1+ \exp(-(X \hat{\beta})))^{-1}$$ close to $0$ or $1$. These in turn lead to large inverse probability weights $\hat{\pi}^{-1}$ and $(1-\hat{\pi})^{-1}$ used in estimators such as the inverse probability weighted estimator of expectation of outcome $Y_1$ (observación en el tratamiento):

$$n^{-1} \sum_i \hat{\pi_i}^{-1} A_i Y_{1i}.$$

Esto, supongo, que convierte a los de las estimaciones de las varianzas muy grandes.

Parece un círculo vicioso que muy discriminativo puntaje de propensión modelos de llevar a la extrema pesos.

Mi pregunta: ¿cuáles son las opciones disponibles para hacer este análisis más robusto? Hay alternativas para adaptarse a la puntuación de propensión modelo o cómo lidiar con grandes pesos después de que el modelo ha sido la adecuada?

Answer 1

Esta es una buena detectar. Usted se refiere a la positividad de la asunción. Se requiere que los que hay expuestos y no expuestos a los participantes en cada combinación de los valores de la observó factor de confusión(s) en la población bajo estudio. La positividad de las violaciones se producen cuando ciertos subgrupos en una muestra rara vez o nunca recibir algunos tratamientos de interés. Hay muchos artículos sobre este tema, tales como Austin y Stuart (2015) y Peterson et al. (2012). Usted puede buscar por mayor en línea.