রিপ্রেশনে কোভারিয়েট যুক্ত করার চেয়ে প্রপেনসিটি স্কোর কীভাবে আলাদা এবং সেগুলি কখন পরবর্তীগুলির চেয়ে বেশি পছন্দ করা হয়?


41

আমি স্বীকার করি আমি প্রবণতা স্কোর এবং কার্য বিশ্লেষণে তুলনামূলকভাবে নতুন।

একটি নতুন বিষয় যা আমার কাছে স্পষ্ট নয় তা হ'ল প্রপেনসিটি স্কোর ব্যবহার করে "ভারসাম্য" কীভাবে গাণিতিকভাবে আলাদা হয় যখন আমরা কোনও রিগ্রেশনে কোভেরিয়ট যুক্ত করি তখন কী ঘটে? অপারেশন সম্পর্কে আলাদা কী, এবং কেন এটি (বা এটি) কোনও রিগ্রেশনে উপ-জনসংখ্যা কোভারিয়েট যুক্ত করার চেয়ে ভাল?

আমি কিছু অধ্যয়ন দেখেছি যা পদ্ধতিগুলির একটি অভিজ্ঞতাগত তুলনা করে, তবে আমি দুটি পদ্ধতির গাণিতিক বৈশিষ্ট্য সম্পর্কিত কোনও ভাল আলোচনা দেখিনি এবং পিএসএম কেন নিজেকে রিগ্রেশন কোভেরিয়েটগুলি সহকারে ব্যাখ্যায় leণ দেয় না। এই ক্ষেত্রে অনেক বিভ্রান্তি এবং বিতর্ক আছে বলে মনে হয়, যা জিনিসগুলি বেছে নেওয়া আরও জটিল করে তোলে।

পার্থক্যটি আরও ভালভাবে বোঝার জন্য এই সম্পর্কে কোনও চিন্তাভাবনা বা ভাল সংস্থান / কাগজপত্রের কোনও নির্দেশক? (আমি আস্তে আস্তে জুডিয়া পার্লের কার্যকারিতা বইটি দিয়ে আমার পথ তৈরি করছি, সুতরাং আমাকে তার দিকে নির্দেশ করার দরকার নেই)


3
আপনি মরগান এবং উইনিশিপ, 2007 পড়ার পরামর্শ দিচ্ছেন । অধ্যায় 4 এবং 5 কার্যকারণ প্রভাব সনাক্তকরণের জন্য রিগ্রেশন এবং মিলের একটি সুস্পষ্ট তুলনা এবং বিপরীতে কাজ করে।
কনজুগেটপায়ার

1
যখন আপনি ভারসাম্যের পরিসংখ্যান পরীক্ষা করেন, আপনি নিশ্চিত করে নিচ্ছেন যে চিকিত্সা গ্রুপগুলির মধ্যে আপনি বহুমাত্রিক কোভারিয়েট স্পেসের সাথে তুলনা করছেন তাদের মধ্যে এক্সট্রাপোলেশন নেই। রিগ্রেশন কেবল এটি পরীক্ষা করেই এক্সট্রাপোলেট করে, সুতরাং এক্সট্রাপোলেশনগুলি খারাপ ভবিষ্যদ্বাণী দিতে পারে।
স্ট্যাটাসস্টুডেন্ট

উত্তর:


17

একটি বড় পার্থক্য হ'ল রিগ্রেশন একটি লিনিয়ার ফ্যাশনে সেই বৈশিষ্ট্যগুলিকে "নিয়ন্ত্রণ করে"। প্রসেসিটি স্কোরের সাথে মিল করা লিনিয়ারিটি অনুমানকে দূর করে, তবে কিছু পর্যবেক্ষণের মিল নাও হতে পারে, আপনি নির্দিষ্ট গোষ্ঠী সম্পর্কে কিছু বলতে পারবেন না।

উদাহরণস্বরূপ, আপনি যদি কোনও কর্মী প্রশিক্ষণ প্রোগ্রাম অধ্যয়ন করেন তবে আপনার পক্ষে সমস্ত নথিভুক্ত পুরুষ হতে পারে, তবে নিয়ন্ত্রণ, অংশবিহীন জনসংখ্যা পুরুষ এবং মহিলাদের সমন্বয়ে গঠিত। রিগ্রেশন ব্যবহার করে, আপনি অংশীদারি সূচক পরিবর্তনশীল এবং একটি পুরুষ সূচক সম্পর্কে, আয়কে বলা, আয় করতে পারেন। আপনি আপনার সমস্ত ডেটা ব্যবহার করবেন এবং কোনও মহিলার প্রোগ্রামে অংশ নিলে তার আয় সম্পর্কে অনুমান করতে পারবেন।

আপনি যদি ম্যাচিং করছিলেন তবে আপনি কেবল পুরুষদের সাথেই পুরুষদের মেলাতে পারতেন। ফলস্বরূপ, আপনি আপনার বিশ্লেষণে কোনও মহিলা ব্যবহার করবেন না এবং আপনার ফলাফলগুলি তাদের সাথে সম্পর্কিত হবে না।

রেগ্রেশন লিনিয়ারিটি অনুমান ব্যবহার করে এক্সট্রোপোলেট করতে পারে, তবে মিলছে না। অন্যান্য সমস্ত অনুমানগুলি মূলত রিগ্রেশন এবং মিলের মধ্যে একই। রিগ্রেশন ওভার ম্যাচিংয়ের সুবিধাটি হ'ল এটি প্যারামিমেট্রিক নয় (আপনি যদি ধরে থাকেন যে আপনার সঠিক প্রপেনসিটি স্কোর রয়েছে তবে যদি আপনি এভাবেই আপনার ম্যাচটি করছেন তবে)।

আরও আলোচনার জন্য, এখানে এমন একটি কোর্সের জন্য আমার পৃষ্ঠাটি দেখুন যা মেলানো পদ্ধতির দিকে খুব বেশি কেন্দ্রীভূত ছিল। বিশেষত কার্যকারণ প্রভাবগুলির অনুমানের কৌশল অনুমানগুলি দেখুন ।

এছাড়াও, রোপেনবাউম এবং রুবিন (1983) নিবন্ধটি পরীক্ষা করে দেখুন যা প্রপেনসিটির স্কোর মিলের রূপরেখা দেয়।

শেষ অবধি, 1983 সাল থেকে ম্যাচিং দীর্ঘ পথ পেরিয়ে গেছে Jas জেস সেখনের ওয়েব পেজটি তার জিনগত মিলের অ্যালগরিদম সম্পর্কে জানতে দেখুন।


3
হতে পারে কারণ আমি কোনও পরিসংখ্যানবিদ নই, তবে যখন ওপি সাধারণভাবে রিগ্রেশন সম্পর্কে জিজ্ঞাসা করেছিল তখন আপনি লিনিয়ার রিগ্রেশন ধরে নিয়েছেন বলে মনে হয়। তবে আমার অনুমানটি হ'ল যে কোনও ধরণের রেজিস্ট্রারে কোভারিয়েট যুক্ত করা ইনপুট স্পেস সম্পর্কে কিছু ধারণা তৈরি করে যাতে এটি নতুন উদাহরণগুলিতে এক্সট্রোপোলেটেড হতে পারে এবং মিল কী কী জিনিসকে এক্সট্রাপোলেটেড করা যায় সে সম্পর্কে আরও সতর্ক।
রেনেউড

2
আপনি যখন প্রপেনসিটি ফাংশনটি অনুমান করেন তখন আপনি বিভ্রান্তিমূলক ভেরিয়েবলের ক্রিয়ামূলক রূপ সম্পর্কে কিছু ধারণা তৈরি করেন। পরবর্তীকালে আপনি সেই ব্যক্তির সাথেও মেলে যাঁদের প্রপেনসিটির "ঘনিষ্ঠ" মান রয়েছে, তাই আমি অবিলম্বে ধরে নেব না যে প্রপেনসিটি মিললে ননলাইনার কনফাউন্ডারের প্রভাবগুলির সমাধান করে।
আদমো

2
লিঙ্কগুলি নষ্ট হয়ে গেছে।
কার্লোস সিনেল্লি

11

সংক্ষিপ্ত উত্তরটি হ'ল প্রপেনসিটি স্কোরগুলি সমতুল্য আনকোভা মডেলের চেয়ে ভাল কিছু নয়, বিশেষত কার্যকারণীয় ব্যাখ্যা সম্পর্কে to

ডেটা হ্রাস পদ্ধতি হিসাবে প্রচারের স্কোরগুলি সবচেয়ে ভাল বোঝা যায়। এগুলি হ'ল বহু সংখ্যক সমাহারকে একক স্কোর হ্রাস করার কার্যকর উপায় যা ভেরিয়েবলগুলির একটি সেটের জন্য আগ্রহের প্রভাব সামঞ্জস্য করতে ব্যবহার করা যেতে পারে। এটি করার মাধ্যমে, আপনি একাধিক কোভারিয়েটের পরিবর্তে একক প্রবণতা স্কোরের জন্য সামঞ্জস্য করে স্বাধীনতার ডিগ্রি সংরক্ষণ করেন। এটি অবশ্যই একটি পরিসংখ্যানগত সুবিধা উপস্থাপন করছে, তবে এর চেয়ে বেশি কিছুই নয়।

প্রপেনসিটি স্কোরগুলির সাথে রিগ্রেশন অ্যাডজাস্টমেন্ট ব্যবহার করার সময় একটি প্রশ্ন উঠতে পারে যে মডেলটিতে অন্তর্ভুক্ত প্রপেনসিটি স্কোরটি অনুমান করার জন্য ব্যবহৃত সমস্ত কোভারিয়েটগুলির সাথে একটি রিগ্রেশন সামঞ্জস্য করার চেয়ে প্রপেনসিটি স্কোর ব্যবহারে কোনও লাভ আছে কিনা। রোজেনবাউম এবং রুবিন দেখিয়েছেন যে মাল্টিভারিয়েট এক্সের জন্য কোভারিয়েন্স অ্যাডজাস্টমেন্টের বিশ্লেষণ থেকে চিকিত্সার প্রভাবের "পয়েন্ট আনুমানিকটি এক্সের উপর ভিত্তি করে নমুনা লিনিয়ার বৈষম্যমূলক আচরণের জন্য অবিচ্ছিন্ন কোভারিয়েন্স সামঞ্জস্য থেকে প্রাপ্ত অনুমানের সমান, যখনই একই নমুনা কোভারিয়েন্স ম্যাট্রিক্স ব্যবহৃত হয় সমবায় সামঞ্জস্য এবং বৈষম্যমূলক বিশ্লেষণ উভয়ের জন্য "। সুতরাং, উভয় পদ্ধতি থেকে ফলাফল একই সিদ্ধান্তে নিয়ে যাওয়া উচিত। যাহোক, দ্বি-পদক্ষেপের পদ্ধতিটি সম্পাদন করার একটি সুবিধা হ'ল প্রথমটি ইন্টারঅ্যাকশন এবং উচ্চতর অর্ডার শর্তাদির সাথে একটি খুব জটিল প্রপেনসিটি স্কোর মডেলটিকে ফিট করতে পারে। যেহেতু এই প্রবণতা স্কোর মডেলের লক্ষ্য চিকিত্সা কার্যভার নির্ধারণের সর্বোত্তম সম্ভাবনা অর্জন করা, তাই কেউ এই মডেলটিকে ওভার-প্যারামিটারাইজিংয়ের সাথে উদ্বিগ্ন নয়।

থেকে:

সম্ভাব্য নীতিহীন নিয়ন্ত্রণ গ্রুপের চিকিত্সার সংমিশ্রণে বায়াস হ্রাসের পদ্ধতিসমূহ

ডি'গোস্টিনো (রোজেনবাউম এবং রুবিনের উদ্ধৃতি)

ডি'গোস্টিনো, আরবি 1998. একটি অ-র্যান্ডমাইজড কন্ট্রোল গ্রুপের সাথে চিকিত্সার তুলনা করে পক্ষপাত হ্রাসের পক্ষে প্রপারসিটি স্কোরের মিল। পরিসংখ্যান Medicষধ 17: 2265–2281।



3
আমি এই উত্তরের সাধারণ ভিত্তির সাথে একমত, তবে যখন প্রপেনসিটির স্কোরের উপর ভিত্তি করে একটি ম্যাচ হয় তখন সমস্ত কোভেরিয়েটকে মডেলটিতে ডুবিয়ে তোলার মতো হয় না (এবং এটি কেবল মাত্র একটি মাত্রা হ্রাস কৌশল নয়)। কোনওটি যদি প্রোপেনসিটির স্কোর দিয়ে ওজন করে তবে এটি একই নয়।
অ্যান্ডি ডব্লু

1
আমি এই উত্তরের সাথে একমত নই। যখন চিকিত্সা এবং নিয়ন্ত্রণ গ্রুপগুলিতে কোভারিয়েটগুলিতে ভারসাম্য থাকে এবং যখন না হয় তখন আনুমানিক প্রপেনসিটি স্কোরগুলি ভাল। রিগ্রেশন কন্ডিশনার পদ্ধতির মতোই। তারা 'আরও ভাল' কিনা তা কেবল সেই সম্পত্তির উপর নির্ভর করে, যা সমস্যা থেকে শুরু করে সমস্যার পরিবর্তিত হবে।
কনজুগেটপায়ার

1
আমি দ্বিমত পোষণ করছি কারণ মাপদণ্ড, ভারসাম্য হ'ল দু'টি কৌশলই একই রকম, যেমন তাদের শক্তি এবং দুর্বলতা। সমস্যার উপর নির্ভর করে এক হতে পারে বা আরও ভাল পদ্ধতির হতে পারে। আসলে, ' সমতুল্য আনকোভা মডেল' আমার কাছে ভাল-সংজ্ঞায়িত হয়নি বলে মনে হয়। (সমতুল্য কীভাবে?)
কনজুগেটপায়ার

1
ঠিক। আমি এখন দেখতে পাচ্ছি 'সমতুল্য' বলতে কী বোঝায়, তবে আপনার উদ্ধৃতিতে 'তবে' শুরু হওয়া বাক্যটি প্রাসঙ্গিক পার্থক্যের পরিচয় দেয়: অনুশীলন প্রাপে। স্কোর আলাদাভাবে অবিকল অনুমান করা হয়, যাতে তারা হতে পারেন উপায় আরো বিশ্লেষণ মডেলের তুলনায় খুঁতখুঁতে। (এবং নিবন্ধটির নীচের অনুচ্ছেদে অন্য একটি পার্থক্য রয়েছে, উদ্ধৃত নয়)
কনজুগেটপ্রিয়র

7

সম্ভবত একটি অবসন্ন রেফারেন্স, তবে আপনি যদি সুযোগমতো অ্যাক্সেস করেন তবে আমি এই বইয়ের অধ্যায়টি পড়ার পরামর্শ দেব ( অ্যাপেল এবং সুইটেন, ২০১০ )। এটি সামাজিক বিজ্ঞানীদের লক্ষ্য এবং এটি সম্ভবত আপনি চান বলে গণিতের মতো কঠোর নয়, তবে এটি আপনার প্রশ্নের সন্তোষজনক উত্তরের চেয়ে বেশি গভীরতায় যেতে হবে।

লোকেদের লোপ করার স্কোরগুলির কয়েকটি আলাদা আলাদা পদ্ধতি রয়েছে যা একটি রিগ্রেশন মডেলটিতে কোভেরিয়েটগুলি অন্তর্ভুক্ত করে বিভিন্ন সিদ্ধান্তে আসতে পারে। যখন একটি স্কোর ম্যাচ করে তবে একটির সমস্ত পর্যবেক্ষণের জন্য অগত্যা সাধারণ সমর্থন নেই (যেমন একটির এমন কিছু পর্যবেক্ষণ রয়েছে যা চিকিত্সা গ্রুপে থাকার সম্ভাবনা কখনই পাওয়া যায় না, এবং কিছু কিছু যা সর্বদা চিকিত্সার গ্রুপে থাকে))। এছাড়াও কেউ পর্যবেক্ষণকে বিভিন্ন উপায়ে ওজন করতে পারে যা বিভিন্ন সিদ্ধান্তে আসতে পারে।

এখানে উত্তরগুলি ছাড়াও আমি আপনাকে chl এর উত্তর দেওয়া প্রশ্নের উত্তরগুলি পরীক্ষা করে দেখতে পরামর্শ দেব suggest প্রচলিত স্কোরের পিছনে আরও কিছু পদার্থ রয়েছে যা কোভারিয়েট ভারসাম্য অর্জনের জন্য কেবল একটি পরিসংখ্যানগত কৌশল নয়। এটি আপনি রোজেনবাউম এবং রুবিনের উচ্চ উদ্ধৃত নিবন্ধগুলি পড়েছেন এবং বুঝতে পেরেছেন এটি আরও স্পষ্ট হবে যে কেন কোনও রিগ্রেশন মডেলটিতে কোভারিয়েট যুক্ত করার চেয়ে পদ্ধতির ভিন্ন is আমি মনে করি আপনার প্রশ্নের আরও সন্তোষজনক উত্তর প্রবণতা স্কোরের পিছনে গণিতে নয় তবে তাদের যুক্তিতে ic


অ্যান্ডি ডব্লিউ আমার আপডেট হওয়া পোস্টে কোভারিয়েটস এবং প্রপেনসিটি স্কোর সামঞ্জস্যের সাথে রিগ্রেশনের সমতুল্যতার উপর রোজেনবাউম এবং রুবিনের উদ্ধৃতি দেখুন।
ব্রেট

0

আমি পিএসকে অধ্যয়নের একটি নকশার অংশ হিসাবে ভাবতে চাই যা বিশ্লেষণ থেকে সম্পূর্ণ পৃথক হয়ে যায়। এটি হ'ল আপনি নকশা (পিএস) এবং বিশ্লেষণের (রিগ্রেশন ইত্যাদি ...) বিবেচনা করতে পারেন। এছাড়াও, পিএস বাইনারি চিকিত্সার জন্য বিনিময়যোগ্যতা সমর্থন করার একটি উপায় বোঝায়; সম্ভবত অন্যরা ফলাফল মডেলের সহকারীগুলি অন্তর্ভুক্ত করে কার্যত এক্সচেঞ্জিবিলিটি সমর্থন করতে পারে কিনা, বা ফলাফলের মডেলটিতে কোভেরেটসকে অন্তর্ভুক্ত করার আগে কেউ বিনিময়যোগ্যতা ধরে নেয় কিনা তা নিয়ে মন্তব্য করতে পারেন।


-3

স্ট্যাট পদ্ধতি মেজ রেজ। 2016 এপ্রিল 19।

প্রপেনসিটি স্কোর-অ্যাডজাস্টেড নন-লিনিয়ার রিগ্রেশন মডেলগুলির পক্ষপাতের একটি মূল্যায়ন।

প্রবেসিটি স্কোর পদ্ধতিগুলি পর্যবেক্ষণ গবেষণায় শর্তাধীন চিকিত্সা প্রভাব অনুমান করার সময় পর্যবেক্ষণ বিভ্রান্তির জন্য সামঞ্জস্য করতে ব্যবহৃত হয়। একটি জনপ্রিয় পদ্ধতি, একটি রিগ্রেশন মডেলটিতে প্রপেনসিটি স্কোরের কোভারিয়েট সমন্বয়কে অনুভূমিকভাবে অ-রৈখিক মডেলগুলিতে পক্ষপাতদুষ্ট বলে দেখানো হয়েছে। তবে কোনও বাধ্যতামূলক অন্তর্নিহিত তাত্ত্বিক কারণ উপস্থাপন করা হয়নি। অ-লিনিয়ার মডেলগুলিতে প্রপেনসিটি স্কোর-অ্যাডজাস্টেড চিকিত্সার প্রভাবগুলির পক্ষপাত এবং তদন্তের জন্য আমরা একটি নতুন কাঠামো প্রস্তাব করি যা প্রপঞ্চতা স্কোর অনুমানক এবং অ-লিনিয়ার মডেলের সংযোগযোগ্যতার মধ্যে লিঙ্ক তৈরি করতে একটি সাধারণ জ্যামিতিক পদ্ধতির ব্যবহার করে। এই কাঠামোর অধীনে, আমরা প্রমাণ করি যে ফলাফলের মডেল হিসাবে প্রপেনসিটি স্কোরের সামঞ্জস্যটি পর্যবেক্ষণকারী কোভেরিয়ट्सকে প্রবণতা স্কোর এবং অন্যান্য বাক্য মেয়াদে ক্ষয় করে দেয়। একটি নন-সঙ্কোচনীয় রিগ্রেশন মডেল থেকে এই বাকী টার্মটির অবকাশ শর্তসাপেক্ষ প্রতিকূলতা অনুপাত এবং শর্তাধীন বিপদ অনুপাতের পক্ষপাতদুষ্ট অনুমানের দিকে পরিচালিত করে, তবে শর্তসাপেক্ষ হারের অনুপাতের জন্য নয়। আমরা আরও সিমুলেশন অধ্যয়নের মাধ্যমে দেখাই যে, এই প্রবণতা স্কোর-অ্যাডজাস্টেড অনুমানকারীগুলির পক্ষপাতটি বৃহত্তর চিকিত্সার প্রভাবের আকার, বৃহত্তর কোভেরিয়েট প্রভাবগুলির সাথে এবং চিকিত্সার মডেল বনাম ফলাফলের মডেলের তুলনায় কোভারিয়েটের সহগের মধ্যে বৈষম্য বাড়িয়ে তোলে।

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.