[논문]비실험자료를 이용한 연구에서 인과적 추론의 강화: 성향점수와 도구변수 방법의 적용

김명희; 도영경

doi:10.3961/jpmph.2007.40.6.495

비실험자료를 이용한 연구에서 인과적 추론의 강화: 성향점수와 도구변수 방법의 적용
Strengthening Causal Inference in Studies using Non-experimental Data: An Application of Propensity Score and Instrumental Variable Methods 원문보기

Journal of preventive medicine and public health = 예방의학회지, v.40 no.6, 2007년, pp.495 - 504

김명희 (을지의과대학교 예방의학교실) , 도영경 (노스캐롤라이나대 보건대학원 보건정책관리학과)

Abstract ▼ AI-Helper

Objectives : This study attempts to show how studies using non-experimental data can strengthen causal inferences by applying propensity score and instrumental variable methods based on the counterfactual framework. For illustrative purposes, we examine the effect of having private health insurance on the probability of experiencing at least one hospital admission in the previous year. Methods : Using data from the 4th wave of the Korea Labor and Income Panel Study, we compared the results obtained using propensity score and instrumental variable methods with those from conventional logistic and linear regression models, respectively. Results : While conventional multiple regression analyses fail to identify the effect, the results estimated using propensity score and instrumental variable methods suggest that having private health insurance has positive and statistically significant effects on hospital admission. Conclusions : This study demonstrates that propensity score and instrumental variable methods provide potentially useful alternatives to conventional regression approaches in making causal inferences using non-experimental data.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

즉, 잠재적 결과를 가져올 관찰되지 않은 집단(unobserved counterfactual)과 실제 관찰된 대체 집단(observed counterfactual substitute) 사이 의교환성 (exchangeability) 보장을 전제하는 것이다. RCT는 확률할당을 통해 폭로(처치) 변수 외에는 다른 모든 조건이 동일한 실험군과 대조군을 구축함으로써 반사 실적 조건을 '인위적으로 창조'하는 반면, 비 실험 연구는 회귀 모형 에 혼란요인들을포함시키거나 층화 분석을 통해 이러한 교환성을 보장하고자 한다. 즉, 비정규 고용 이외에 연령, 성별, 학력 등건강에 영향을 미칠 수 있는 혼란 요인들을 보정함으로써 이러한 혼란 요인들이 모두 동일하다고 가정된 상황에서 비정규고용의 '독립적인' 효과를 추정하려는 것이다.
예시 사례로는 현재 한국 사회에서 중요한 사회적, 정책적 문제로 부상하고 있는 사적의료보험(이하, 사보험) [31-33] 문제를 다루고자 하였다. 앞서 설명한 반사 실적 조건의 개념 틀에 따라, 다른 모든 조건이 동일하고 사보험 가입(구매) 여부만이 다를 때 입원 의료 이용 확률에 차이가 있는지 검정하려는 것이다. 보건 경제 학적 관점 에서 보자면 보험 가입은 자가선택 (self-selection)의 가능성이 높은 전형적 변수라 할 수 있다.
이 글에서는 비실험자료를 이용한 연구에서 인과성 추론을 강화하기 위해 쓰이는 대표적 방법으로서 성향점수와 도구변수 방법을 소개하고 실제 분석에 적용해 보였다. 사보험의 입원 의료 이용에 미치는 효과를 분석한 결과에서 성향점수와 도구변수 방법은 통상적인 선형, 비선형다중회 귀분석 에서 는 나타나지 않은, 사보험의 입원의료 이용 증가 효과를 보여 주었다.
이 논문에서는 이러한 방법론적 한계를 보완할 수 있는 접근법으로 제시되고 있는 방법 성향 향점 수(propens剪 score)와 도구변수 (instrumental variable) 방법을 다루고자 한다. 이 두 가지 방법은 모두 반사 실적 조건 개념과밀접하게 연관되어 있다.
다른 한편으로 보험자에게는 위 험도가 낮은 사람을 선택 적으로 가입시키려는 경향이 존재하기 때문에 ( '위험 선택'), 사보험의 효과는 과소추정될 수도 있다. 이 논문에서는, 두 가지 방법론을 소개하는 것이 본래의 목적인바, 사보험 자체에 대한 내용적 논의는 방법론 적용과 해석 에 필요한 정도로만 최소화하여 다룰 것임을 미리 밝힌다.
서술되는 경우가 흔하다. 이 논문에서도 동일 자료에 대한 두 가지 방법의 분석 예시를 통해 비실험자료에 기반한 인과성 추론의 강화 방법을 소개하고자 한다. 예시 사례로는 현재 한국 사회에서 중요한 사회적, 정책적 문제로 부상하고 있는 사적의료보험(이하, 사보험) [31-33] 문제를 다루고자 하였다.
이 논문은 성향점수와 도구변수 방법을 이용하여 비실험자료분석에서 인과성 추론을 강화할 수 있는 방법을 실제 분석을 통해 예시하고자 하였다. 두 가지 방법을 이용하여 사보험 이 입 원 의료 이 용에 미 치는 영향을 분석한 결과, 통상적인 선형, 비선형 다중회귀분석에서는 통계적으로 유의하게 나타나지 않았던 사보험의 입원 의료 이용 증가 효과를 성향점수 분석의 일부 결과와 IV-2SLS 결과에서 확인할 수 있었다.
[1]. 즉, 다른 모든 조건이 동일하고 사보험 가입의 잠재적 확률만이 다르게 나타나도록 하는 자연적 실험 (natural experiment) 상황을 찾는 것이다. 이를테면 규모나 부가급여 등 여러 측면에서 비슷하고, 고용된직 원들도 비슷한 사회경제적 위치에 속해있으며 건강수준도 다르지 않은 A기 업과 B기업을 가정해보자.

가설 설정

사회학 사전의 정의에 의하면, 인과적 관계 란 (1) 두 사건 A와 B 사이에 공간적, 시간적 인접 성 이 존재하고, (2) 한 사건 A가 다른 사건 日에 선행하며, (3) 전자A가 일어나지 않았더 라면 후자 B는 발생할 것 같지 않았을 경우를 말한다. [4], 이 중 세 번째 조건은, 실제로는 A와 B가 일어났지만 만일 A가 발생하지 않았더라면 B가 일어나지 않았을 것이라는, 즉 실제 일어난 사실 (factual)에 반하는 반 사실적 조건을 가정한다. 이는 만일 첫 번째 객체가 없었더라면 두 번째 객체가 결코 존재하지 않았을 때, 선행하는 요인을 원인이라고 정의한다' 는 철 학자 David Hume의 인과관계 개념을 따르고 있다(재인용) [5].
[6], 그러나 다른 모든 조건이 동일한 가운데 의심되는 원인 X의 유무에 따른 두 상황을 동시에 관찰하는 것은 현실에서 불가능하다. 그래서 우리는 비정규직 노동자 집단과 정규직 노동자 집단을 비교하되, 이 두 집 단이 고용형 태를 제외한다면 모든 면에서 동일한속성을 가졌다고 가정한다. 즉, 잠재적 결과를 가져올 관찰되지 않은 집단(unobserved counterfactual)과 실제 관찰된 대체 집단(observed counterfactual substitute) 사이 의교환성 (exchangeability) 보장을 전제하는 것이다.
둘째, 추정 결과의 해석에서도 차이가 있다. 성향점수 방법을 이용한 주정치는(다른 모든 조건이 동일할 때) 실제 사보험 가입자 군과 비가입자군 사이의 차이의 평균, 즉 폭로군의 폭로 평균효과(Average Treatment Effect on the Treated, ATT)를 나타낸다.
포함하였다. 이 는 저 축성 보험에 가입 한 가구는 위 험회피 성향이 높고, 따라서 사보험 가입 가능성도 높을 것이라는 가정에 기초하고 있다.
즉, 다른 모든 조건이 동일하고 사보험 가입의 잠재적 확률만이 다르게 나타나도록 하는 자연적 실험 (natural experiment) 상황을 찾는 것이다. 이를테면 규모나 부가급여 등 여러 측면에서 비슷하고, 고용된직 원들도 비슷한 사회경제적 위치에 속해있으며 건강수준도 다르지 않은 A기 업과 B기업을 가정해보자. 그런데 A기업은 직원들에게 사보험 가입 보조금을 지급한 반면 B기 업은 비슷한 금액을 문화생활비로 지급하였고, 그 결과, A 직원들의 50%, B 직원들의 30%가 사보험에 가입 하였다면 이를 어떻게 평가할 수 있을까? 우리는 이 20%point의 사보험 가입 차이를 보조 금지 급의 효과라고 볼 수 있으며, 만일 A 직원들의 의료이용이 더 많은 것으로 나타난다면, 이미 앞서 두 집단의 유사성을 가정하였기 때문에, 이 차이를 사보험 가입에서 비롯된 것이라고 추론할 수 있다.
이를테면, 비정규 고용이 노동자의 건강에 악영향을 초래할 것이라는 가설을 상정해보자. 이를 검정하는 가장 좋은 data-checked="false">연구방법은노동자A가동일한기간동안비정 규 노동자이면서 동시에 정규직 노동자가 되어 '다른 모든 상태가 똑같을 때 비정규고용의 효과'를 것이다.

제안 방법

[12, 13], 짝짓기의 경우, 허용 폭(c曲per) 이 넓을수록 짝을 찾을 가능성 이 높아져 표본 수는 늘어나는 반면 교환성의 훼손 가능성은 커지고, 반대로 이를 좁게 만들 경우 비교 가능성은 높아지지 만 표본 수가 줄어드는 문제 점 이 있다. 따라서 기준 폭의 크기는 상황에 따라 저울질을 해야 하며, 그 영향을 평가하기 위해 사후 민감도 분석을 하는 것이 바람직하다 [7], 이 논문에서는 성향점수에 따라 5군으로 층화분석한 결과와 짝짓기를 통한 분석 결과를 함께 제시하였다. 짝짓기 의 경우, greedy algorithm [36]을 사용하여, 사보험 가입자에 대한 비가 입자의 성향점수 차이가 10*부터 시작해세0』에 이를 때까지 비교를 반복하여 더 이상 적합한 짝이 없을 때까지 1:1, 1:2, 1:3 짝짓기를 하도록 하였다.
먼저 독립 변수는 사보험 가입(구매) 여부로서, '건강과 은퇴' 부가조사에 포함된 '국민건강보험 이외에 추가적으로 질병이나 사고 등에 대비한 건강 또는 상해보험에 가입하고 계십니까?'라는대한 개인의 답변('가입하고 있다' 또는 '가입하고 있지 않다' )을 이분변수로 이용하였다. 종속변수는 지난 1년간의 입원 의료이용 여부로서, 님께서는 지난 1년 중 입원하신 적이 있습니까?'라는대한 답변('있다' 혹은 없다')을 활용하였다.
들어가게 된다. 여기에서는, 층화자료에 대해서는 로지스틱 회귀 분석을, 짝지은 자료에 대해서는 조건부 로지스틱 회귀 모형을 사용하여 사보험 가입 이 입원 의료 이용에 미치는 효과를 추정하였다.
우선 1단계에서는 선형확률모형 (linear probability model)에 근거 하여 도구변수를 포함한 최소 자승모형으로 사보험 가입 확률을 예측하였다. 이렇게 예측된 확률을 2단계 주(主) 모형의 사보험 가입 변수에 대체하였는데, 이 계수는 도구변수를 통해 사보험 가입 이 입 원의료 이용에 미치는 효과를 나타낸다.
이러한 맥락에서 이 연구는 직장의 '개인 의료, 상해 보험료 지원' 제공 여부를 일차 도구변수로 사용하였고, 가구의 '저축성보험(재테크보험, 교육보험 등)' 가입 여부를 추가적인 도구변수로 포함하였다. 이 는 저 축성 보험에 가입 한 가구는 위 험회피 성향이 높고, 따라서 사보험 가입 가능성도 높을 것이라는 가정에 기초하고 있다.
이어지는 글에서는 성향점수와 도구변수 방법론을 추정의 틀, 결과의 해석, 추정의 효율성 이 라는 세 가지 측면으로 나누어 서술하고자 한다. 이 세 가지 측면은 두 방법론이 지니는 장단점과도 관계 있으며 서로 밀접하게 관련되어 있다.
종속변수는 지난 1년간의 입원 의료이용 여부로서, 님께서는 지난 1년 중 입원하신 적이 있습니까?'라는대한 답변('있다' 혹은 없다')을 활용하였다. 그 밖의 혼란 변수들과 도구변수는 개인용, 가구용 자료로부터 재구성되었으며, 그속성eTable 1에 기술되어 있다.
한편, 층화와 짝짓기로 인한 공 변수들의 분포 변화, % bias reduction 결과는 지면의 제한으로 인해 1:3 짝짓기 결과만을 App-en(faTable2에 제시하였다. 표준화차이가 10이상인 공 변수의공변수의 불균형이라고 간주할 때, 짝짓기를 통해서 대부분의 공 변수들이 균형을 이루게 되었으며 그로 인한 편견 감소도 최고 99%에 이르는 것을 확인할 수 있다.

대상 데이터

이 논문에서도 동일 자료에 대한 두 가지 방법의 분석 예시를 통해 비실험자료에 기반한 인과성 추론의 강화 방법을 소개하고자 한다. 예시 사례로는 현재 한국 사회에서 중요한 사회적, 정책적 문제로 부상하고 있는 사적의료보험(이하, 사보험) [31-33] 문제를 다루고자 하였다. 앞서 설명한 반사 실적 조건의 개념 틀에 따라, 다른 모든 조건이 동일하고 사보험 가입(구매) 여부만이 다를 때 입원 의료 이용 확률에 차이가 있는지 검정하려는 것이다.
이 연구에서는 한국노동연구원의 '한국노동 패 널'(이하 노동패널) 제4차년도 (2(X)1 년) 자료를 이용하였다. 노동패 널은 국내 도시지역 에 거주하는 약 5, 000가구 와이에 속한 15세 이상 가구원을 대상으로 가구 특성, 개인의 사회인구학적 특성과 경제활동 등에 대해 매년 반복적인 면접 조사를 실시하고 있다.

이론/모형

이 두 가지 도구변수를 이용하여 두 단계 최 소자승모형 (instrumental variable twostage least square estimation: IV-2SLS) 을 추정하였다. 우선 1단계에서는 선형확률모형 (linear probability model)에 근거 하여 도구변수를 포함한 최소 자승모형으로 사보험 가입 확률을 예측하였다.
따라서 기준 폭의 크기는 상황에 따라 저울질을 해야 하며, 그 영향을 평가하기 위해 사후 민감도 분석을 하는 것이 바람직하다 [7], 이 논문에서는 성향점수에 따라 5군으로 층화분석한 결과와 짝짓기를 통한 분석 결과를 함께 제시하였다. 짝짓기 의 경우, greedy algorithm [36]을 사용하여, 사보험 가입자에 대한 비가 입자의 성향점수 차이가 10*부터 시작해세0』에 이를 때까지 비교를 반복하여 더 이상 적합한 짝이 없을 때까지 1:1, 1:2, 1:3 짝짓기를 하도록 하였다. 이렇게 층화, 혹은 짝지어 진 표본은 사보험 가입과 비가입 이라는 점만 제외한다면 여타 공변수들의 분포가 같고 (이론적으로) RCT의 확률 할당에서와 같은 교환 가능한 표본이 되며, 따라서두 집단의 입원 의료 이용 차이는 사보험 가입에 의한차이일 가능성이 높아진다.

성능/효과

예시하고자 하였다. 두 가지 방법을 이용하여 사보험 이 입 원 의료 이 용에 미 치는 영향을 분석한 결과, 통상적인 선형, 비선형 다중회귀분석에서는 통계적으로 유의하게 나타나지 않았던 사보험의 입원 의료 이용 증가 효과를 성향점수 분석의 일부 결과와 IV-2SLS 결과에서 확인할 수 있었다. 이는 통상적인 다중회귀분석의 전제인, 사보험 가입을 제외한 다른 조건이 비교 집단 간에 동일하다는 가정이 충분히 만족되지 않았음을 시사한다.
즉, 사보험 가입 확률모형 에서 도구변수는 충분한 설명 력을 가져야 한다. 둘째, 이 보조금은 사보험 가입을 증가시킴으로써 의료이용에 영향을 미치 는 것 이외에 제3의 경로를 통해 의료이용에 영향을 미쳐서는 안 된다. 즉, 도구변수는 최종 결과변수(입원의료이용)와 관계가 없어야 한다.
가입자들은 비가입자들에 비해 연령이 더 낮고 유배우 결혼 상태의 비율이 높았다. 또한 교육 수준이 전반적으로 더 높으며, 직 업 분류상 관리/전문직, 사무직 비율이 더 높고 개인 소득도 더 많았을 뿐 아니라, 가구 소득 및 자산도 더 많은 것으로 나타났다. 그리고 장애와 만성질환이 있다고 보고한 사람의 비율은 상대적으로 낮았다.
이는 통상적인 다중회귀분석의 전제인, 사보험 가입을 제외한 다른 조건이 비교 집단 간에 동일하다는 가정이 충분히 만족되지 않았음을 시사한다. 또한 내용적인 측면에서 보자면, 사보험 가입 가능성이 낮거 나(사희 경제적 위치 가 낮고 건강 수준이 낮은) 혹은 보조금 지 급 여 부에 따라 가입 여부가 달라질 수 있는 이들이 사보험에 가입하는 경우 입원 의료이용의 확률이 커진다는 점을 확인할 수 있었다. 이는 사보험 가입의 효과가 인구집단에서 이질적 일 가능성을 시사하며(heterogeneous treatment effect), 따라서 인구집 단전 체를 대상으로 사보험의 평균적 효과를 추정하는 것이 논리적으로 부적절함을 보여준다.
마지막으로, 주 모형에서 도구변수의 통계적 설명력이 없음을 확인함으로써 (Table 3, NR2 test f df=i= 0.0095, p=0.922) [37], 다른 공 변수를 포함하였을 때 도구변수가 결과변수(즉, 입원 의료료 이용)에 직접 영향을 미쳐서는 안 된다는 조건을 만족함을 확인할 수 있다.
비교를 위해 먼저 왼쪽 열의 통상적 인 선형 다중회귀분석 (ordinary least squ-ares: OLS) 결과를 살펴보면, 사보험 가입이 입원 의료 이용에 미치는 효과는 1.07% point 로 나타나며 통계적으로 유의하지 나않았다. 그러 나 도구변수를 이용한 추정 에서 사보험 가입은 입원 의료 이용을 17.
사보험의 입원 의료 이용에 미치는 효과를 분석한 결과에서 성향점수와 도구변수 방법은 통상적인 선형, 비선형다중회 귀분석 에서 는 나타나지 않은, 사보험의 입원의료 이용 증가 효과를 보여 주었다. 두 가지 방법론은 반사 실적 조건 개념을 적용한다는 면에서는 유사하나, 주정의 기본 틀, 추정 결과의 해석, 추정의 효율성 면에서 차이가 있다.
174로 약간 증가하지만 통계적 유의성은 여전히 관찰되지 않는다. 성향점수에 따라 표본을 5 개집 단(quintile)으로 층화분석 한 경우(panel B), 성 향점수의 평균이 가장 낮은(즉, 사보험 가입의 경향이 가장 적은) 첫 번째 5분위 군에서만 유의한 입원률 증가가 관찰되었고 (OR=2.319, 95% Ctl.250-4.301), 층화분석 의 요약 추정치 (stratified logistic summary estimates)를 살펴보면 전체적으로는 사보험 가입이 유의한 입원 확률 증가를 가져오는 것으로 나타났다 (OR=L230, 95% CI=1.027-1.474). 한편, 성 향점수에 의해 짝지은 표본의 조건부 로지스틱 회귀분석 결과를 살펴보면 (panel C), 1:3 짝짓기의 경우에만 유의한 입원 확률 증가를 관찰할 수 있다.
한편, 도구변수 방법에서는 도구변수가 초래하는 변이의 범위가 크지 않으면 추정의 효율성 이 현저히 감소한다. 이 연구에서도 도구변수를 적용하였을 때의 모수 추정치는 통상적인 회귀모형의 추정치 에 비해 매우 넓은 신뢰구간을 보이고 있다. 따라서 효과의 크기가 비교적 큰 경우에도 귀무가설을 기각하지 못하는 제2종 오류의 가능성이 증가한다.
첫째, 두 가지 방법 모두 2단계에 걸쳐 반사 실적 조건 하에서의 효과를추정하는데, 성향점수 방법은 관찰된 공변수의 함수로 예측된 성향점수를 토대로 층화 또는 짝짓기를 함으로써 반사 실적 조건을 구축하는데 비해, 도구변수 방법은 도구변수가 초래하는 예측 확률의 임의적 변이를 통해 반사실적 조건을 형성한다. 그렇기 때문에 각 방법론은 다음과 같은 장단점을 갖는다.
표준화차이가 10이상인 공 변수의공변수의 불균형이라고 간주할 때, 짝짓기를 통해서 대부분의 공 변수들이 균형을 이루게 되었으며 그로 인한 편견 감소도 최고 99%에 이르는 것을 확인할 수 있다. (Appendix Table 2).
한편 최종 결과 변수인 입원 이용 확률을 살펴보면, 가입자군의입원 이용용 빈도가 0.4%point 높은 것으로 나타나지만 통계적으로 유의한 차이는 관찰할 수 없었다 (Table 1).

후속연구

특히 이 연구에서는, 현실에서 매우 다양한 형태의 사보험 상품이 존재하고 있음에도 불구하고 단일 문항에 근거하여 사보험 가입 여부만을 독립 변수로 구성 하였고, 입원의료 이용에 영향을 미칠 수 있는 건강 관련 정보도 매우 제한적이 었다. 그러 나 다수의 행정 자료나 전국 표본조사자료 등의 이차 자료들은 특정 주제의 연구를 위해 설계된 것이 아니기 때문에, 이러 한 자료의 한계는 이 연구만의 제한점이라기보다 일반적인 현상으로 바라 보아야 할 것이다.
위에서 기술한 성향점수와 도구변수 방법론 상의 문제 이외에 연구의 제한점을지 적 한다면 노동패널 자료의 한계를 들 수 있다. 이는 전국적 대표성을 지니고 있으며 고용 및 경제활동과 관련한 상세한정 보를 담고 있다는 장점이 있으나 건강이나 의료이용이 연구의 일차적인 목적이 아니기 때문에 사보험 가입, 질병, 건강 상태, 의료이용에 관한 정보가 매우 제한적이다.
보건 경제 학적 관점 에서 보자면 보험 가입은 자가선택 (self-selection)의 가능성이 높은 전형적 변수라 할 수 있다. 향후 의료이 용 확률이 큰사람일수록 보험을 구매할 가능성이 크며 ('역선택'), 따라서 통상적인 회귀모형에서 는 사보험 가입의 의 료이 용 효과가 과대추정될 수 있다. 다른 한편으로 보험자에게는 위 험도가 낮은 사람을 선택 적으로 가입시키려는 경향이 존재하기 때문에 ( '위험 선택'), 사보험의 효과는 과소추정될 수도 있다.

참고문헌 (40)

Newhouse JP, McClellan M. Econometrics in outcomes research: The use of instrumental variables. Annu Rev Pub Health 1998; 19: 17-34

상세보기
Kaufman JS, Kaufman S, Poole C. Causal inference from randomized trials in social epidemiology. Soc Sci Med 2003; 57(12): 2397-2409

상세보기
Kaufman JS, Cooper RS. Seeking causal explanations in social epidemiology Am J Epidemiol 1999; 150(2): 113-120

상세보기
Jary D, Jary J. HarperCollins Dictionary of Sociology. New York: HarperCollins Publishers, Ltd.; 1991
Lewis D. Causation. J Philos 1973; 70(17): 556-567

상세보기
Maldonado G, Greenland S. Estimating causal effects. Int J Epidemiol 2002; 31(2): 422-429

상세보기
Oakes JM, Johnson PJ. Propensity score matching for social epidemiology. In: Oakes JM, Kaufman JS, editors. Methods for Social Epidemiology. San Francisco: Jossey-Bass; 2006. p. 370-392
McClellan M, McNeil BJ, Newhouse JP. Does more intensive treatment of acute myocardial infarction in the elderly reduce mortality? Analysis using instrumental variables. JAMA 1994; 272(11): 859-866

상세보기
Zohoori N, Savitz DA. Econometric approaches to epidemiologic data: Relating endogeneity and unobserved heterogeneity to confounding. Ann Epidemiol 1997; 7(4): 251-257

상세보기
Luft HS, Hunt SS, Maerki SC. The volume-outcome relationship: Practice-makes-perfect or selective-referral patterns? Health Serv Res 1987; 22(2): 157-182

상세보기
Lee JY, Rozier RG, Norton EC, Vann WF Jr. Addressing selection bias in dental health services research. J Dent Res 2005; 84(10): 942-946

상세보기
Rosenbaum PR, Rubin DB. The central role of the propensity score in observational studies for causal effects. Biometrika 1983; 70(1): 41-55

상세보기
D'Agostino RB Jr. Propensity score methods for bias reduction in the comparison of a treatment to a non-randomized control group. Stat Med 1998; 17(19): 2265-2281

상세보기
Rubin DB. Estimating causal effects from large data sets using propensity scores. Ann Intern Med 1997; 127(8 Pt 2): 757-763

상세보기
Newhouse JP, McClellan M. Econometrics in outcomes research: The use of instrumental variables. Annu Rev Pub Health 1998; 19(1): 17-34

상세보기
McClellan MB, Newhouse JP. Overview of the special supplement issue. Health Serv Res 2000; 35(5 Pt 2): 1061-1069

상세보기
Mennemeyer ST. Can econometrics rescue epidemiology? Ann Epidemiol 1997; 7(4): 249-250

상세보기
Zohoori N, Savitz DA. Econometric approaches to epidemiologic data: Relating endogeneity and unobserved heterogeneity to confounding. Ann Epidemiol 1997; 7(4): 251-257

상세보기
Greenland S. An introduction to instrumental variables for epidemiologists. Int J Epidemiol 2000; 29(4): 722-729

상세보기
Martens EP, Pestman WR, de Boer A, Belitser SV, Klungel OH. Instrumental variables: Application and limitations. Epidemiology 2006; 17(3): 260-267

상세보기
Glymour MM. Natural Experiments and Instrumental Variable Analyses in Social Epidemiology. In: Oakes JM, Kaufman JS, editors. Methods for Social Epidemiology. San Francisco: Jossey-Bass; 2006. p. 429-460
Zeliadt SB, Potosky AL, Penson DF, Etzioni R. Survival benefit associated with adjuvant androgen deprivation therapy combined with radiotherapy for high- and low-risk patients with nonmetastatic prostate cancer. Int J Radiat Oncol Biol Phys 2006; 66(2): 395-402

상세보기
Brooks JM, Chrischilles EA, Scott SD, Chen-Hardee SS. Was breast conserving surgery underutilized for early stage breast cancer? Instrumental variables evidence for stage II patients from Iowa. Health Serv Res 2003; 38(6): 1385-1402

상세보기
Earle CC, Tsai JS, Gelber RD, Weinstein MC, Neumann PJ, Weeks JC. Effectiveness of chemotherapy for advanced lung cancer in the elderly: Instrumental variable and propensity analysis. J Clin Oncol 2001; 19(4): 1064-1070

상세보기
Hadley J, Polsky D, Mandelblatt JS, Mitchell JM, Weeks JC, Wang Q, Hwang YT. An exploratory instrumental variable analysis of the outcomes of localized breast cancer treatments in a Medicare population. Health Econ 2003; 12(3): 171-186

상세보기
Bao Y, Duan N, Fox SA. Is some provider advice on smoking cessation better than no advice? An instrumental variable analysis of the 2001 National Health Interview Survey. Health Serv Res 2006; 41(6): 2114-2135

상세보기
Schwartz M, Ash AS. Estimating the effect of an intervention from observational data. In: lezzoni LI, editor. Risk Adjustment For Measuring Health Care Outcomes. 3rd ed. Aun Arbor: AcademyHealth/Health Administration Press; 2003
Landrum MB, Ayanian JZ. Causal effect of ambulatory specialty care on mortality following myocardial infarction: A comparison of propensity score and instrumental variable analyses. Health Serv Outcome Res Meth 2001; 2(3-4) : 221-245

상세보기
Posner MA, Ash AS, Freund KM, Moskowitz MA, Shwartz M. Comparing standard regression, propensity score matching, and instrumental variables methods for determining the influence of mammography on stage of diagnosis. Health Serv Outcome Res Meth 2001; 2(3-4): 279-290

상세보기
Stukel TA, Fisher ES, Wennberg DE, Alter DA, Gottlieb DJ, Vermeulen MJ. Analysis of observational studies in the presence of treatment selection bias: Effects of invasive cardiac management on AMI survival using propensity score and instrumental variable methods. JAMA 2007; 297(3): 278-285

상세보기
Yoon T, Hwang I, Sohn H, Koh K, Jeong B. The determinants of private health insurance purchasing decisions under national health insurance system in Korea. Kor J Health Pol Admin 2005; 15(4): 161-175 (Korean)

원문보기 상세보기
Kang SW, Kwon YD, You CH. Effects of supplemental insurance on health care utilization and expenditures among cancer patients in Korea. Kor J Health Pol Admin 2005; 15(4): 65-80 (Korean)

원문보기 상세보기
Lim JH, Kim SG, Lee EM, Bae SY, Park JH, Choi KS, Hahm MI, Park EC. The determinants of purchasing private health insurance in Korean cancer patients. J Prev Med Public Health 2007; 40(2) : 150-154 (Korean)

원문보기 상세보기
Korea Labor Institute. Korean Labor and Income Panel Study (KLIPS) User's Guide. Korea Labor Institute; 2006 (Korean)
Rubin DB. Estimating causal effects from large data sets using propensity scores. Ann Intern Med 1997; 127(8 Pt 2): 757-763

상세보기
Parsons LS. Performing a 1:N case-control match on propensity score. Proceedings of the Twenty-Ninth Aunual SAS ${\circledR}$ Users Group International Conference. Montreal: SAS Institute Inc.; 2004
Greene WH. Econometric Analysis. 5th ed. Upper Saddle River: Prentice Hall; 2003
Smith JA, Todd PE. Does matching overcome LaLonde's critique of nonexperimental estimators? J Econom 2005; 125(1-2) : 305-353

상세보기
Shah BR, Laupacis A, Hux JE, Austin PC. Propensity score methods gave similar results to traditional regression modeling in observational studies: A systematic review. J Clin Epidemiol 2005; 58(6): 550-559

상세보기
Angrist JD, Krueger AB. Instrumental variables and the search for identification: From supply and demand to natural experiment. J Econ Persp 2001; 15(1): 69-85

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증