以斯帖之友    儲值會員專區    聯絡我們    臉書粉絲頁    部落格
關鍵字搜尋
新增網頁1
 
 
 
【以斯帖每日實戰教學】2013年7月31日,淺談傾向分數(propensity score)與傾向分數配對(propensity score matching) [推到 Facebook]
 

在非實驗型的研究中,由於個案並非完全的隨機分派到各組,所以容易造成選樣偏誤(selection bias);也就是說,干擾因子(例如常見的性別,年齡)會影響到組別間的比較,造成結果不可信。此種情形常見於世代研究設計(cohort study)及個案對照設計(case-control study),爲了解決選樣偏誤的問題,適度的進行個案的配對(matching)是較合理的方法。傳統的配對方式是以單一變項(如性別)對不同組別的個案來進行比對,使得男女性別的比例在各組中皆一樣,藉以控制性別造成的干擾。而此種方法的缺點在於,如果同時有好幾個變項(例如性別,年齡,BMI.…)要列入配對條件中,則處理上相當的麻煩。

 

也正因爲如此,所以學者提出了利用計算傾向分數(propensity score)的方式來調整干擾因子所造成的影響。所謂的傾向分數,事實上即爲進行logistic regression中所計算出的預測機率(predicted probability),其中,分組變項(是否得病或是否有用)爲依變項(dependent variable),需要控制的干擾因子(例如性別,年齡,BMI.…)爲解釋變項。計算出傾向分數後,可以有兩種方式來調整干擾因子:(1)直接在regression model中將算出的傾向分數當成一個解釋變項(2)以計算出的傾向分數來進行配對,也就是propensity score matching。在方法(2)中,傾向分數本身爲機率值(0~1), 所以在進行傾向分數配對需要撰寫程式,以進行精細的比對。

 

Reference:

Rosenbaum, Paul R.; Rubin, Donald B. (1983). The central role of the propensity score in observational studies for causal effects. .Biometrika 70 (1): 41–55.

 
 
新增網頁1
Copyright © 2017 以斯帖統計顧問股份有限公司 All Rights Reserved.
116-94 台北市文山區辛亥路四段130巷11號1樓(捷運辛亥站旁,點擊連結地圖)
電話:(02)2935-3311 傳真:(02)2935-3379  E-mail:service@estat.com.tw
.會員服務條款
.隱私權保護說明
.人才招募
.聯絡我們
.Facebook