প্রসেসিটি স্কোর ওজন থেকে গড় চিকিত্সা প্রভাবের জন্য আস্থার ব্যবধান?

আমি প্রপেনসিটি স্কোর ওয়েটিং (বিশেষত আইপিটিডাব্লু) ব্যবহার করে পর্যবেক্ষণমূলক ডেটা থেকে গড় চিকিত্সার প্রভাবটি অনুমান করার চেষ্টা করছি। আমি মনে করি আমি এটিটি সঠিকভাবে গণনা করছি, তবে বিপরীত প্রবণতা স্কোর ওজন বিবেচনায় নেওয়ার সময় এটির আত্মবিশ্বাসের ব্যবধানটি কীভাবে গণনা করতে হয় তা আমি জানি না।

গড় চিকিত্সার প্রভাব গণনা করতে এখানে সমীকরণটি ব্যবহার করছি (রেফারেন্স স্টেট মেড। সেপ্টেম্বর 10, 2010; 29 (20): 2137–2148।): কোথায় বিষয় মোট সংখ্যা, চিকিত্সা অবস্থা, ফলাফল স্থিতি এবং প্রবৃত্তি স্কোর।

A T E = \frac{1}{N} \sum_{1}^{N} \frac{Z_{i} Y_{i}}{p_{i}} - \frac{1}{N} \sum_{1}^{N} \frac{(1 - Z_{i}) Y_{i}}{1 - p_{আমি}}

$ATE=\frac1N\sum_1^N\frac{Z_iY_i}{p_i}-\frac1N\sum_1^N\frac{(1-Z_i)Y_i}{1-p_i}$

N =

$N=$

Z_{i} =

$Z_i=$

Y_{i} =

$Y_i=$

p_{i} =

$p_i=$

কেউ কি আর প্যাকেজ সম্পর্কে জানেন যা ওজনকে বিবেচনায় নিয়ে গড় চিকিত্সার প্রভাবের আত্মবিশ্বাসের ব্যবধান গণনা করবে? surveyপ্যাকেজ এখানে সাহায্য করতে পারে? আমি ভাবছিলাম যে এটি কাজ করবে কিনা:

library(survey)
sampsvy=svydesign(id=~1,weights=~iptw,data=df)
svyby(~surgery=='lump',~treatment,design=sampsvy,svyciprop,vartype='ci',method='beta')

#which produces this result:
  treatment surgery == "lump"      ci_l      ci_u
   No         0.1644043 0.1480568 0.1817876
   Yes         0.2433215 0.2262039 0.2610724

অনুপাতের মধ্যে পার্থক্য (অর্থাৎ চিকিত্সার গড় প্রভাব) এর আস্থা অন্তর খুঁজে পেতে এখান থেকে কোথায় যাব আমি জানি না।

— JJM
সূত্র

আমি বিশেষভাবে উত্তর দিতে পারি না, তবে জরিপ প্যাকেজের লেখকের "কমপ্লেক্স সমীক্ষা: বিশ্লেষণের সাহায্যে একটি গাইড" বইটি আইপিটিডব্লুকে অন্তর্ভুক্ত করেছে এবং এটি সাহায্য হতে পারে। books.google.com/…

— kaz_yos

আপনার surveyপ্যাকেজ বা জটিল কিছু দরকার নেই। ওয়ালড্রিজ (২০১০, পৃষ্ঠা -২০২) "ক্রস বিভাগ এবং প্যানেল ডেটার একনোমেট্রিক বিশ্লেষণ" এর একটি সহজ পদ্ধতি রয়েছে যা থেকে আপনি আত্মবিশ্বাসের অন্তরগুলি নির্মাণের জন্য স্ট্যান্ডার্ড ত্রুটিগুলি অর্জন করতে পারেন।

অনুমানের অধীনে যে আপনি প্রপেনসিটি স্কোরটি সঠিকভাবে নির্দিষ্ট করেছেন যা আমরা হিসাবে চিহ্নিত করি $p(\textbf{x}_i,\textbf{$\gamma$})$ , প্রপেনসিটি স্কোর অনুমান (যেমন আপনার প্রথম লগিট বা প্রবিট রিগ্রেশন) থেকে স্কোরকে সংজ্ঞায়িত করুন

ঘ_{আমি} = \frac{\nabla_{γ} পি ({এক্স}_{আমি}, γ)^{'} [{জেড}_{আমি} - পি ({এক্স}_{আমি}, γ)]}{পি ({এক্স}_{আমি}, γ) [1 - পি ({এক্স}_{আমি}, γ)]}

$\textbf{d}_i = \frac{\nabla_\gamma p(\textbf{x}_i,\textbf{$\gamma$})'[Z_i-p(\textbf{x}_i,\textbf{$\gamma$})]}{p(\textbf{x}_i,\textbf{$\gamma$}){[1-p(\textbf{x}_i,\textbf{$\gamma$})]}}$ এবং যাক

{ATE}_{আমি} = \frac{[{জেড}_{আমি} - পি ({এক্স}_{আমি}, γ)] {ওয়াই}_{আমি}}{পি ({এক্স}_{আমি}, γ) [1 - পি ({এক্স}_{আমি}, γ)]}

$\text{ATE}_i = \frac{[Z_i-p(\textbf{x}_i,\textbf{$\gamma$})]Y_i}{p(\textbf{x}_i,\textbf{$\gamma$}){[1-p(\textbf{x}_i,\textbf{$\gamma$})]}}$ আপনার উপরের মত প্রকাশে যেমন আছে তারপরে এই দুটি অভিব্যক্তির নমুনা এনালগগুলি গ্রহণ করুন এবং পুনরায় চাপ দিন

{\hat{ATE}}_{i}

$\widehat{\text{ATE}}_i$ চালু

{\hat{d}}_{i}

$\widehat{\textbf{d}}_i$ । আপনি এই রিগ্রেশনটিতে একটি ইন্টারসেপ্ট অন্তর্ভুক্ত করেছেন তা নিশ্চিত করুন। দিন

e_{i}

$e_i$ সেই রিগ্রেশন থেকে অবশিষ্ট হয়ে উঠুন, তারপরে অ্যাসিম্পটোটিক বৈকল্পিক

\sqrt{N} (\hat{ATE} - ATE)

$\sqrt{N}(\widehat{\text{ATE}} - \text{ATE})$ সহজভাবে

Var (e_{i})

$\text{Var}(e_i)$ । সুতরাং আপনার এটিই এর asympotic স্ট্যান্ডার্ড ত্রুটি

\frac{{[\frac{1}{এন} Σ_{আমি = 1}^{এন} ই_{আমি}^{2}]}^{\frac{1}{2}}}{\sqrt{এন}}

$\frac{\left[ \frac{1}{N}\sum^N_{i=1}e_i^2 \right]^{\frac{1}{2}}}{\sqrt{N}}$

তারপরে আপনি স্বাভাবিকভাবে আত্মবিশ্বাসের ব্যবধান গণনা করতে পারেন (উদাহরণের জন্য এখানে কোডের উদাহরণের জন্য মন্তব্যগুলি দেখুন )। বিপরীত প্রবণতা স্কোর ওজনের জন্য আপনার আবার আত্মবিশ্বাসের ব্যবধান সামঞ্জস্য করার দরকার নেই কারণ এই পদক্ষেপটি ইতিমধ্যে স্ট্যান্ডার্ড ত্রুটির গণনায় অন্তর্ভুক্ত ছিল।

দুর্ভাগ্যক্রমে আমি কোনও আর পুরুষ নই তাই আমি আপনাকে নির্দিষ্ট কোড সরবরাহ করতে পারি না তবে উপরে বর্ণিত পদ্ধতিটি অনুসরণ করার জন্য সরাসরি এগিয়ে থাকা উচিত। পার্শ্ব নোট হিসাবে, এটিও treatrewসেইভাবে যা স্টাটাতে কমান্ডটি কাজ করে। এই কমান্ডটি স্টুটা জার্নালে সেরুলি (2014) দ্বারা লিখেছিলেন এবং প্রবর্তিত হয়েছিল । আপনি যদি নিবন্ধটিতে অ্যাক্সেস না পেয়ে থাকেন তবে আপনি তার স্লাইডগুলি পরীক্ষা করতে পারেন যা বিপরীতমুখী স্কোর ওজন থেকে স্ট্যান্ডার্ড ত্রুটিগুলি গণনার পদ্ধতিটিও রূপরেখা দেয়। সেখানে তিনি লজিট বা প্রবিটের মাধ্যমে প্রপেনসিটি স্কোরটি অনুমান করার মধ্যে কিছুটা ধারণাগত পার্থক্যও আলোচনা করেছেন তবে এই উত্তরের জন্য এটি অত্যধিক গুরুত্বপূর্ণ ছিল না তাই আমি এই অংশটি বাদ দিয়েছিলাম।

— অ্যান্ডি
সূত্র