倾向评分权重中治疗权重(IPTW)的逆概率的直观解释?


10

我了解使用倾向得分计算权重的机制: ,然后将权重应用于回归分析,并且权重用于“控制”治疗组和对照组人群中协变量的作用或使结果与结果变量无关。p(xi)

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

但是,在直觉上,我不了解权重是如何实现的,以及为什么方程式如此构造。

Answers:


8

计算得出的倾向得分 是给定的信息,受试者接受治疗的概率。该IPTW程序试图使反事实的推理更加突出使用倾向得分。期望有很高的可能性接受治疗然后实际接受治疗,那里没有反事实信息。接受治疗和实际接受治疗的可能性较低,这是不寻常的,因此,对于治疗将如何影响接受治疗可能性较低的受试者的信息更多;即。特征大多与控制对象有关。因此,治疗对象的权重为p(xi)iXwi,j=treat=1p(xi)为不太可能/信息量大的治疗对象增加了更多的体重。遵循相同的想法,如果对照对象很有可能接受治疗,则这是一个信息性指标,表明如果他们在对照组中,治疗对象的表现如何。在这种情况下,控制主题的权重为为不太可能/高度信息化的控件增加了更多权重科目。确实,这些方程式乍一看似乎有些随意,但我认为在反事实基础上可以轻松地解释它们。最终,所有匹配/ PSM /加权例程都试图在我们的观测数据中勾勒出一个准实验框架。新的理想wi,j=control=11p(xi) 实验。

如果您还没有找到他们,我强烈建议您阅读Stuart(2010):因果推理的匹配方法:回顾和展望; Thoemmes和Kim(2011):社会科学倾向评分方法的系统综述;两者都写得很好,并且可以作为有关此事的优秀入门论文。另外,请查看此出色的2015年讲座,关于国王为什么不应该使用倾向得分进行匹配。他们确实帮助我建立了关于这一主题的直觉。


谢谢,很好的回答!当然,权重公式背后的推理在事后看来是显而易见的。我看了2015年King文章。内容非常丰富,尽管如果我的倾向得分匹配(不带修剪)可以达到出色的平衡,那为什么不使用倾向得分呢?
罗伯特·F

1
很高兴您发现它有帮助。关于King(2015):如果我们通过PSM实现出色的平衡,则应该使用PSM。问题在于,PSM通常无法像完全封闭的随机实验设计那样获得出色的平衡,因为它并非旨在做到这一点。
usεr11852

精彩的回复,@usεr11852–
Nicg,

谢谢。您说的很好。
usεr11852
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.