প্রবণতা স্কোর ওজন (চিকিত্সা ওজন) (আইপিটিডাব্লু) এর বিপরীত সম্ভাবনার জন্য স্বজ্ঞাত ব্যাখ্যা?


10

আমি প্রসেসিটি স্কোর ব্যবহার করে ওজন গণনা করার মেকানিকগুলি বুঝতে পারি : এবং তারপরে একটি রিগ্রেশন বিশ্লেষণে ওজন প্রয়োগ করা এবং এটি যে ওজনগুলি সরবরাহ করে "নিয়ন্ত্রণ করুন" বা চিকিত্সার ক্ষেত্রে কোভেরিয়েটসের প্রভাবগুলি পৃথক করে এবং ফলাফল পরিবর্তনশীল সহ গ্রুপ জনসংখ্যা নিয়ন্ত্রণ করে।w i , j = t r e a tp(xi)

wi,j=treat=1p(xi)wi,j=control=11p(xi)

তবে অন্ত্র স্তরে আমি বুঝতে পারি না যে ওজনগুলি কীভাবে এটি অর্জন করে এবং সমীকরণগুলি কেন সে হিসাবে তৈরি করা হয়।

উত্তর:


8

প্রবৃত্তি স্কোর গণনা করা বিষয় সম্ভাব্যতা একটি চিকিত্সা তথ্য দেওয়া গ্রহণ করতে । IPTW পদ্ধতি গড়ে তোলার চেষ্টা করে পাল্টা-তথ্যসংক্রান্ত প্রবৃত্তি স্কোর দেখিয়ে অনুমান আরো বিশিষ্ট। চিকিত্সা গ্রহণের এবং তারপরে প্রকৃতপক্ষে চিকিত্সা পাওয়ার উচ্চ সম্ভাবনা থাকা, সেখানে কোনও জবাবদিহি তথ্য নেই। চিকিত্সা পাওয়ার কম সম্ভাবনা থাকা এবং প্রকৃতপক্ষে চিকিত্সা গ্রহণ করা অস্বাভাবিক এবং সুতরাং চিকিত্সা কীভাবে এটি গ্রহণের কম সম্ভাবনার সাথে বিষয়গুলিকে প্রভাবিত করবে সে সম্পর্কে আরও তথ্যবহুল; অর্থাত। বৈশিষ্ট্যগুলি বেশিরভাগ নিয়ন্ত্রণ বিষয়গুলির সাথে সম্পর্কিত। সুতরাং চিকিত্সা বিষয় জন্য ওজন হয়i X w i , j = ট্রিট = 1p(xi)iX wi,j=নিয়ন্ত্রণ=1wi,j=treat=1p(xi) unlikely সম্ভাব্য / অত্যন্ত-তথ্যমূলক চিকিত্সার বিষয়গুলিতে আরও ওজন যুক্ত করে। একই ধারণা অনুসরণ করে, যদি কোনও নিয়ন্ত্রণ বিষয়টির চিকিত্সা পাওয়ার বড় সম্ভাবনা থাকে তবে এটি চিকিত্সার বিষয়গুলি নিয়ন্ত্রণ গ্রুপে থাকলে আচরণের বিষয়গুলি কেমন আচরণ করবে তা একটি তথ্যমূলক সূচক। এক্ষেত্রে নিয়ন্ত্রণ বিষয়গুলির ওজন হ'ল unlikely সম্ভাব্য / অত্যন্ত-তথ্যমূলক নিয়ন্ত্রণে আরও ওজন যুক্ত করে বিষয়। প্রকৃতপক্ষে, প্রথমদিকে সমীকরণগুলি কিছুটা নির্বিচারে উপস্থিত হতে পারে তবে আমি মনে করি যে এগুলি সহজেই একটি পাল্টা-তাত্ত্বিক যুক্তির অধীনে ব্যাখ্যা করা হয়েছে। শেষ পর্যন্ত সমস্ত মিল / পিএসএম / ওজনের রুটিনগুলি আমাদের পর্যবেক্ষণের তথ্যগুলিতে একটি অর্ধ-পরীক্ষামূলক কাঠামো তৈরি করার চেষ্টা করে; একটি নতুন আদর্শwi,j=control=11p(xi) পরীক্ষা।

আপনি যদি সেগুলি নাও পেয়ে থাকেন তবে আমি দৃ suggest়ভাবে পরামর্শ দিচ্ছি যে আপনি স্টুয়ার্ট (2010) পড়ুন: কার্যকারিতা অনুক্রমের জন্য ম্যাচিং পদ্ধতি: একটি পর্যালোচনা এবং একটি চেহারা ফরোয়ার্ড এবং থোমস এবং কিম (২০১১): সামাজিক বিজ্ঞানের প্রপোসিটি স্কোর পদ্ধতির একটি পদ্ধতিগত পর্যালোচনা ; উভয়ই সুন্দরভাবে লিখিত এবং বিষয়টি সম্পর্কে ভাল এন্ট্রি পেপার হিসাবে পরিবেশন করা হয়। কিং দ্বারা ম্যাচের জন্য প্রচারের স্কোরগুলি কেন ব্যবহার করা উচিত নয় তা নিয়ে এই 2015 সালের এই দুর্দান্ত বক্তৃতাটিও পরীক্ষা করে দেখুন। তারা সত্যই আমাকে এই বিষয়ে আমার অন্তর্নিহিততা তৈরি করতে সহায়তা করেছিল।


ধন্যবাদ, দুর্দান্ত উত্তর! অবশ্যই, ওজন সূত্রের পিছনে যুক্তি অন্ধকারে সুস্পষ্ট। আমি 2015 কিং নিবন্ধটি দেখেছি। খুব তথ্যবহুল, যদিও আমি যদি প্রোপেনসিটি স্কোরের সাথে ডাব্লু / আউট ট্রিমিংয়ের সাথে দুর্দান্ত ভারসাম্য অর্জন করি তবে কেন প্রপেনসিটির স্কোরগুলি ব্যবহার করবেন না?
রবার্টএফ

1
আপনি এটি সহায়ক বলে আমি খুশি। কিং সম্পর্কে (2015): আমরা যদি পিএসএমের মাধ্যমে দুর্দান্ত ভারসাম্য অর্জন করি তবে আমাদের পিএসএম ব্যবহার করা উচিত। সমস্যাটি হ'ল পিএসএম সাধারণত সর্বোত্তম ভারসাম্য অর্জন করে না কারণ আমাদের একটি সম্পূর্ণরূপে অবরুদ্ধ এলোমেলো পরীক্ষামূলক ডিজাইনে থাকতে হবে কারণ এটি করার জন্য ডিজাইন করা হয়নি।
usεr11852

জমকালো জবাব, @ usεr11852
নিক

ধন্যবাদ. এটি আপনার বলতে খুব সুন্দর।
usεr11852
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.