Perkiraan yang kuat tentang implementasi efek sebab akibat

8

Adakah yang tahu tentang implementasi (selain SAS makro) dari metode estimasi kuat ganda yang ditemukan di:

Funk, MJ, Westreich, D. et al (2011). Perkiraan kuat dari efek sebab akibat. American Journal of Epidemiology, 173 (7): 761-767. [DOI] ?

regression

— ADB
sumber

1

Adakah bahasa tertentu yang Anda inginkan ?

— Fomite

Implementasi dalam bahasa apa pun dipersilahkan. Saya tidak dapat menggunakan SAS makro karena saya tidak memiliki program SAS.

— ADB

@Michael Terima kasih, tidak yakin bagaimana kesalahan ketik menyelinap di sana

— jonsca

@ jonsca Anda melakukan banyak pengeditan dan saya telah memeriksa banyak hasil edit Anda ketika permintaan datang kepada saya. Umumnya Anda melakukan pekerjaan yang sangat bagus. Yang ini juga sangat bagus, hanya satu kesalahan ketik yang menyelinap masuk.

— Michael R. Chernick

12

Estimasi yang kuat ganda tidak terlalu sulit untuk diterapkan dalam bahasa pilihan Anda. Yang Anda lakukan sebenarnya adalah mengendalikan variabel dengan dua cara, bukan hanya satu - idenya adalah bahwa selama salah satu dari dua model yang digunakan untuk kontrol sudah benar, Anda telah berhasil dikendalikan untuk mengacaukan.

Cara termudah untuk melakukannya, dalam pikiran saya, adalah dengan menggunakan bobot Inverse-Probability-of-Treatment (IPTW) untuk menimbang set data, kemudian juga memasukkan variabel dalam model regresi normal. Ini adalah bagaimana penulis mendekati masalah dalam makalah yang ditautkan di atas. Ada pilihan lain juga, biasanya dibangun dari skor kecenderungan yang digunakan untuk pencocokan atau sebagai kovariat dalam model.

Ada banyak pengantar untuk IPTW dalam bahasa statistik apa pun yang Anda inginkan. Saya akan memberikan cuplikan kode, tetapi semua milik saya ada di SAS, dan kemungkinan besar akan sangat mirip dengan penulisnya.

Secara singkat, apa yang Anda lakukan adalah memodelkan kemungkinan pajanan berdasarkan kovariat Anda menggunakan sesuatu seperti regresi logistik dan memperkirakan kemungkinan pajanan pajanan berdasarkan model itu. Ini memberi Anda skor kecenderungan. Probabilitas Balik Berat Perawatan, seperti namanya, 1 / Skor Kecenderungan. Ini terkadang menghasilkan nilai ekstrem, sehingga beberapa orang menstabilkan berat dengan mensubstitusi probabilitas marginal paparan (diperoleh dengan model regresi logistik dari hasil dan tidak ada kovariat) untuk 1 dalam persamaan di atas.

Alih-alih memperlakukan setiap subjek dalam analisis Anda sebagai 1 subjek, Anda sekarang memperlakukannya sebagai n salinan subjek, di mana n adalah bobotnya. Jika Anda menjalankan model regresi Anda menggunakan bobot tersebut dan termasuk kovariat, keluarlah estimasi kuat ganda.

Namun, kata hati-hati: Walaupun estimasi kuat dua kali lipat (atau tiga kali lipat, dll.) Memberi Anda lebih banyak peluang untuk menentukan model kovariat yang benar, itu tidak menjamin Anda akan melakukannya. Dan yang lebih penting, tidak dapat menyelamatkan Anda dari perancu yang tidak terukur.

— Fomite
sumber

Terima kasih atas jawabannya. Apakah ada SAS versi gratis / percobaan?

— ADB

@ADB Semoga seseorang akan datang dengan implementasi di R - Saya akan melakukannya, tapi saya punya beberapa tenggat waktu yang mendesak muncul. Jika Anda berada di tempat di mana Anda memiliki akses ke ahli statistik atau hanya orang-orang yang suka coding, ini harus sangat mudah diterapkan dalam paket apa pun yang Anda miliki. Pada skala "Aku akan membelikanmu makan siang" dalam hal suap yang sesuai :)

— Fomite

1

@ADB Sketsa ini untuk paket dentingan dalam R memiliki gambaran bagus tentang analisis skor kecenderungan dan penaksir ganda yang kuat.

— jthetzel

@Fomite, saya pikir maksud Anda adalah "... beberapa orang menstabilkan berat badan dengan mengganti probabilitas paparan marjinal (diperoleh dengan model regresi logistik dari perawatan dan tidak ada kovariat) untuk 1 dalam persamaan di atas."

— menghisap

4

Sepertinya ada implementasi di Stata bahkan sebelum artikel yang Anda kutip diterbitkan: http://www.stata-journal.com/article.html?article=st0149 .

— Tugas
sumber

2

Paket tmle R menerapkan Penaksir Berbasis Rugi Minimum Bertarget, yang dua kali lebih kuat dan efisien dalam kondisi. Ini memiliki keuntungan tambahan bahwa itu adalah penaksir substitusi, dibandingkan dengan Augmented IPTW (yang saya anggap Anda maksud).

— Ivan Diaz
sumber

2

Selamat datang di situs ini, @IvanDiaz. Mungkin membantu jika Anda menyatakan untuk bahasa apa tmlepaket itu, mungkin tautan ke info lebih lanjut, & di mana mendapatkannya.

— gung - Reinstate Monica

1

Saya memiliki estimator yang dijelaskan dalam Funk et al. 2011 (bobot probabilitas terbalik yang ditambah), diimplementasikan dalam zEpidpustaka Python 3 di dalam AIPTWkelas. Detail dan sintaks ada DI SINI . Pustaka juga menyertakan TMLE, jika Anda ingin menggunakan kedua pendekatan tersebut

— pzivich
sumber

0

Ada paket R yang mengimplementasikan penaksir DR dari ATE ini (juga beberapa hal lainnya), npcausalpaketnya: https://github.com/ehkennedy/npcausal

Fungsi yang sesuai dengan estimator DR adalah ate()

— pengguna1849779
sumber