Estimador de aumento da propensão inversa aumentada (AIPW) – Healthcare Economist

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


Digamos que você queira medir o impacto causal de um tratamento específico nos resultados dos pacientes a partir de dados do mundo real. Muitas abordagens estatísticas discutem a maneira apropriada de estimar esse efeito causal, supondo que você conheça a verdadeira função geradora de dados. Na prática, no entanto, quais variáveis ​​incluir em qualquer modelo de regressão podem não ser claras.

Uma abordagem para resolver esse problema é usar estimadores robustos duplos, também conhecido como estimador de propensão inversa aumentada (AIPW). Glynn e Quinn (2009) explicam por que os AIPW são tão atraentes:

O estimador da AIPW possui propriedades teóricas muito atraentes e requer apenas que os profissionais façam duas coisas com as quais já estão confortáveis: (1) especificar um modelo de regressão binário para o escore de propensão e (2) especificar um modelo de regressão para a variável de resultado. O mais interessante é que o estimador AIPW é duplamente robusto, pois será consistente para…[measuring the average treatment effect]… Sempre que (1) o modelo de pontuação de propensão for especificado corretamente ou (2) a regressão do resultado for especificada corretamente.

Tecnicamente, uma estimativa robusta dupla tem duas partes, uma seção de probabilidade inversa de ponderação de tratamento (IPTW) e uma seção de “aumento”. Na equação abaixo, como explicado por Jason Roy, da Universidade da Pensilvânia, Y é o resultado, A é se o indivíduo recebeu o tratamento, π (X) é a probabilidade de um indivíduo receber o tratamento com base em suas características e m1 (X) é o valor esperado de Y assumindo que o paciente teria recebido o tratamento condicional às covariáveis X. o Eu índices para indivíduos. Digamos que se estima π (X) com uma regressão logit e esse escore de propensão faz um bom trabalho ao estimar se o paciente receberá ou não o tratamento de interesse. Nesse caso, A-π (X) irá para 0 na expectativa e o AIPW será simplificado para o estimador IPTW.

Leia Também  Configuração do avatar do Facebook - Avatar do Facebook 2020 - Facebook Avatar Maker | Criador de avatar do Facebook
Estimador de aumento da propensão inversa aumentada (AIPW) - Healthcare Economist 5

O que acontece se o escore de propensão for mal especificado. Com um AIPW, você ainda pode estar com sorte. A equação abaixo simplesmente reorganiza os termos de cima. Nesse caso, digamos que o escore de propensão seja impreciso, mas nosso modelo de regressão faz um bom trabalho de resultados de previsão para pessoas que recebem o tratamento (isto é, E[Y-m1(X)]= 0). Nesse caso, o numerador vai para 0 e resta um modelo de regressão simples.

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br
Estimador de aumento da propensão inversa aumentada (AIPW) - Healthcare Economist 6

Para estimar os resultados para pacientes que não recebem o tratamento, uma abordagem análoga pode ser usada.

Uma descrição mais detalhada, mas intuitiva, é fornecida no vídeo abaixo. Tratamentos mais formais da AIPW podem ser encontrados aqui e aqui.

Como se estima o AIPW na prática? O vídeo a seguir fornece um exemplo usando o Stata.

E aqui está um exemplo em R.

*As fotos exibidas neste post pertencem ao post www.healthcare-economist.com

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br