flâneur

傾向分數分析介紹（第2篇，共2篇）－ 晨晰統計林星帆顧問整理－晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）｜痞客邦

dasanlin888.pixnet.net · 136 words · saved by 1 readers

完成對處置變項的羅吉斯迴歸之後，根據每個個案的基本特性（年齡、性別與共病狀況）會得到預測機率，即此人成為治療組的機率。在接著往下進行傾向分數的分析之前，要先評估治療組與控制組在傾向分數的分布情形。可以

完成對處置變項的羅吉斯迴歸之後，根據每個個案的基本特性（年齡、性別與共病狀況）會得到預測機率，即此人成為治療組的機率。在接著往下進行傾向分數的分析之前，要先評估治療組與控制組在傾向分數的分布情形。可以使用兩種方法來判斷，第一種是畫圖，第二種是看C-statistics（即C-index或AUROC）。C-statistics代表的是預測變項對處置變項（1=treated, 0=untreated）整體的區別力，0.5為完全無法區別，1代表完美區別。 下圖列出傾向分數可以非常有效區分治療組與控制組的結果，兩組在傾向分數的分布截然不同，而且重疊區域很少（中間灰色底的common support），這種狀況是很難進行後續的傾向分數分析的，不管進行任何一種傾向分數分析，都無法有效降低混淆因子的效果。當出現這種情形時，檢查是否有對處置變項的強烈預測變項，例如「有洗腎的病人一定不會開Metformin」或是存在工具變數。 資料來源：Kim等人（2016）的圖2A 下圖列出傾向分數適度地（modestly）區分治療組與控制組的結果，灰色重疊區域的兩組人數都很多，這表示兩組大多數的個案都有一定的機率會成為治療組或控制組，或是表示有些重要的混淆因子沒有被考慮到。以傾向分數的後續分析而言，這種狀況比較容易進行分析。 資料來源：Kim等人（2016）的圖2B ​​…

saved by

related reading