6 votos

Medición de la duración del efecto de la intervención

Realicé un estudio en el que los participantes fueron asignados aleatoriamente a un control o a una intervención, con resultados en forma de datos de tiempo hasta el evento. Mientras que el tiempo total hasta el evento es más corto en el grupo de intervención que en el grupo de control (prueba de log-rank $p < 0.05$ ), me interesa detectar si hubo un tiempo determinado después del inicio del estudio más allá del cual la intervención no tuvo efecto. Más formalmente, me interesa detectar el tiempo mínimo $t$ más allá del cual el valor de la función de riesgo de la intervención no era significativamente mayor que el valor de la función de riesgo del grupo de control.

Una idea que se me ocurre es volver a calcular el valor p de la prueba de rango logarítmico, ignorando todos los eventos que ocurrieron antes de algún tiempo $t$ en los grupos de intervención y de control (censurando a la izquierda los datos de la hora del evento). Repitiendo este proceso para una serie de $t$ valores, podría determinar el valor mínimo $t$ más allá del cual no hay un efecto significativo de la intervención.

Me preguntaba si hay enfoques más estándar para determinar un tiempo $t$ más allá del cual una intervención no tiene un efecto detectable en el tiempo hasta el evento.

3voto

Andy Puntos 10250

Dado que usted parece tener un panel de individuos a los que sigue a lo largo del tiempo, de los cuales algunos son tratados y otros no, podría ejecutar un diferencia en diferencia análisis. Se podría ejecutar una regresión como $$y_{it} = \beta_1 (\text{treat}_{i}) + \beta_2 (\text{intervention}_t) + \beta_3 (\text{treat}_{i} \cdot \text{intervention}_t) + \epsilon_{it}$$ donde $\text{treat}_{i}$ es una variable ficticia que indica si el individuo $i$ está en el grupo de tratamiento, $\text{intervention}_t$ es una variable ficticia para el periodo posterior al tratamiento, y la interacción entre ambas capta el efecto del tratamiento en $\beta_3$ .

Si ahora quieres estimar el tiempo de desvanecimiento, estima en su lugar $$y_{it} = \sum^m_{\gamma = 0} \beta_{-\gamma}(\text{treatment}_{it}) + \eta_{it}$$ donde $\text{treatment}_{it}$ es una variable ficticia que es igual a uno si el individuo $i$ está en el grupo de tratamiento Y el tiempo $t$ es en o después de la fecha de tratamiento. Esto estima la primera ecuación pero con $m$ Retrasos del tratamiento para los que se puede elegir el número de períodos que hay desde el inicio del tratamiento hasta el final del período de la muestra.

Entonces $\beta_0$ es el efecto del tratamiento en la fecha de intervención, $\beta_1$ es el efecto de la intervención en el primer período después de la fecha de intervención, y así sucesivamente. Lo bueno de este enfoque es que

  • es fácil de implementar en cualquier software estadístico (sólo hay que crear los dummies y ejecutar una regresión)
  • el $\beta_0, ..., \beta_m$ los coeficientes tendrán errores estándar e intervalos de confianza que se pueden utilizar para ver el tiempo (retraso del tratamiento) desde que la intervención deja de tener efecto
  • el $\beta_0, ..., \beta_m$ Los coeficientes le darán una estimación de la magnitud que tuvo la intervención en los períodos posteriores

Si además tiene variables de control adicionales como las características de los participantes en el estudio $X_{it}$ puede incluirlos fácilmente en la regresión, $$y_{it} = \sum^m_{\gamma = 0} \beta_{-\gamma}(\text{treatment}_{it}) + X'_{it}\rho + \eta_{it}$$ esto no afectará a la estimación del efecto de la intervención (porque la identificación proviene de las diferencias de grupo entre los grupos de tratamiento y de control), pero ayuda a reducir la varianza residual y, por tanto, aumenta la precisión.

1voto

Owen Fraser-Green Puntos 642

Detección de la intervención http://www.unc.edu/~jbhill/tsay.pdf y en otros lugares puede emplearse con o sin una variable de intervención sugerida por el usuario. En cualquiera de los dos casos hay que tratar cualquier proceso autoproyectivo que pueda estar presente, es decir, la estructura ARIMA. La identificación tanto de la estructura ARIMA como de la respuesta a cualquier variable sugerida por el usuario y a la "nueva serie de intervención" requiere un poco de ensayo y error, ya que el proceso/método de búsqueda consiste en identificar si surge esta intervención que se está esperando. Este proceso de búsqueda puede resolverse/ayudarse con software, pero hay que confirmar que el software incorpora cualquier impacto necesario, es decir, las posibles series/variables predictoras especificadas por el usuario, incluidas sus estructuras de retardo, y que la fase de identificación del proceso ARIMA no se ha visto dañada/impactada por la intervención que se está esperando descubrir, lo que, por supuesto, tendría un efecto perjudicial.

La longitud sería la diferencia entre el punto de la variable de intervención especificada por el usuario ...si existiera O la diferencia entre las dos variables identificadas de Level Shift/Step Shift que fueron encontradas/descubiertas/desenmascaradas .

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X