$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

임상에서 발생할 수 있는 문제 상황에서의 성향 점수 가중치 방법에 대한 비교 모의실험 연구
A simulation study for various propensity score weighting methods in clinical problematic situations 원문보기

응용통계연구 = The Korean journal of applied statistics, v.36 no.5, 2023년, pp.381 - 397  

정시성 (가톨릭대학교 의생명.건강과학과) ,  민은정 (가톨릭대학교 의생명.건강과학과)

초록
AI-Helper 아이콘AI-Helper

대부분의 임상시험에서 가장 대표적으로 사용되는 실험설계는 무작위화로, 치료 효과를 정확하게 추정하기 위해 이용된다. 그러나 무작위화가 이루어지지 않은 관찰연구의 경우 치료군과 대조군의 비교로 얻는 치료효과에는 환자 간의 특성 등 여러 조정되지 않은 차이로 인해 편향이 발생한다. 성향 점수 가중치는 이러한 문제점을 해결하기 위해 널리쓰이는 방법으로 치료 효과를 추정하는데에 있어 교란요인을 조정하여 편향을 최소화하도록 하는 방법이다. 성향 점수를 이용한 가중치 방법 중 가장 널리 알려진 역확률 가중치는 관찰된 공변량이 주어졌을 때 특정 치료에 할당될 조건부 확률의 역에 비례하는 가중치를 할당한다. 그러나 이 방법은 극단적인 성향 점수에 의해 종종 방해 받아 편향된 추정치와 과도한 분산을 초래한다는 점이 알려져있어 이러한 문제를 완화하기 위해 절사 역확률 가중치, 중복 가중치, 일치 가중치를 포함한 여러 가지 대안 방법이 제안되었다. 본 논문에서는 제한된 중복, 잘못 지정된 성향 점수 모델 및 예측과 반대되는 치료 등 다양한 문제상황에서 여러 성향 점수 가중치 방법의 성능을 비교하는 시뮬레이션 비교연구를 수행하였다. 비교연구의 결과 중복 가중치와 일치 가중치는 편향, 제곱근평균제곱오차 및 포함 확률 측면에서 역확률 가중치와 절사역확률 가중치에 비에 우월한 성능을 보임을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The most representative design used in clinical trials is randomization, which is used to accurately estimate the treatment effect. However, comparison between the treatment group and the control group in an observational study without randomization is biased due to various unadjusted differences, s...

주제어

#성향 점수   #역확률 가중치   #모의실험   #제한된 중복  

참고문헌 (34)

  1. Arisido MW, Mecatti F, and Rebora P (2022). Improving the causal treatment effect estimation with propensity？scores by the bootstrap, AStA Advances in Statistical Analysis, 106, 455-471. 

    상세보기

  2. Austin PC (2008). A critical appraisal of propensity-score matching in the medical literature between 1996 and？2003, Statistics in Medicine, 27, 2037-2049. 

    상세보기

  3. Austin PC (2022). Bootstrap vs asymptotic variance estimation when using propensity score weighting with？continuous and binary outcomes, Statistics in Medicine, 41, 4426-4443. 

    상세보기

  4. Austin PC and Stuart EA (2015). Moving towards best practice when using inverse probability of treatment？weighting (IPTW) using the propensity score to estimate causal treatment effects in observational studies,？Statistics in Medicine, 34, 3661-3679. 

    상세보기

  5. Cochran WG and Rubin DB (1973). Controlling bias in observational studies: A review, Sankhy？a: The Indian？Journal of Statistics, Series A, 35, 417-446. 

  6. Crump RK, Hotz VJ, Imbens GW, and Mitnik OA (2009). Dealing with limited overlap in estimation of average？treatment effects, Biometrika, 96, 187-199. 

    상세보기

  7. Freedman DA and Berk RA (2008). Weighting regressions by propensity scores, Evaluation Review, 32, 392-409. 

    상세보기

  8. Glynn RJ, Lunt M, Rothman KJ, Poole C, Schneeweiss S, and Sturmer T (2019). Comparison of alternative approaches to trim subjects in the tails of the propensity score distribution, Pharmacoepidemiology and？Drug Safety, 28, 1290-1298. 

    상세보기

  9. Godambe VP (1970). Foundations of survey-sampling, The American Statistician, 24, 33-38. 

    상세보기

  10. Hirano K, Imbens GW, and Ridder G (2003). Efficient estimation of average treatment effects using the estimated？propensity score, Econometrica, 71, 1161-1189. 

    상세보기

  11. Joffe MM and Rosenbaum PR (1999). Invited commentary: Propensity scores, American Journal of Epidemiology, 150, 327-333. 

    상세보기

  12. Kim B and Kim JH (2020). Estimating causal effect of multi-valued treatment from observational survival data,？Communications for Statistical Applications and Methods, 27, 675-688. 

    원문보기 상세보기

  13. Kim GS, Paik MC, and Kim H (2017). Causal inference with observational data under cluster-specific non-ignorable assignment mechanism, Computational Statistics & Data Analysis, 113, 88-99. 

    상세보기

  14. Lee BK, Lessler J, and Stuart EA (2011). Weight trimming and propensity score weighting, PloS One, 6, 1-6. 

  15. Li F, Morgan KL, and Zaslavsky AM (2018). Balancing covariates via propensity score weighting, Journal of the？American Statistical Association, 113, 390-400. 

    상세보기

  16. Li F, Thomas LE, and Li F (2019). Addressing extreme propensity scores via the overlap weights, American？Journal of Epidemiology, 188, 250-257. 

  17. Li L and Greene T (2013). A weighting analogue to pair matching in propensity score analysis, The International？Journal of Biostatistics, 9, 215-234. 

  18. Lunceford JK and Davidian M (2004). Stratification and weighting via the propensity score in estimation of？causal treatment effects: A comparative study, Statistics in Medicine, 23, 2937-2960. 

    상세보기

  19. Mao H and Li L (2020). Flexible regression approach to propensity score analysis and its relationship with？matching and weighting, Statistics in Medicine, 39, 2017-2034. 

    상세보기

  20. Mao H, Li L, and Greene T (2019). Propensity score weighting analysis and treatment effect discovery, Statistical？Methods in Medical Research, 28, 2439-2454. 

    상세보기

  21. McDonald RJ, McDonald JS, Kallmes DF, and Carter RE (2013). Behind the numbers: Propensity score analysis-a primer for the diagnostic radiologist, Radiology, 269, 640-645. 

    상세보기

  22. Robins J (1986). A new approach to causal inference in mortality studies with a sustained exposure period-appli？cation to control of the healthy worker survivor effect, Mathematical Modelling, 7, 1393-1512. 

    상세보기

  23. Rosenbaum PR and Rubin DB (1983). The central role of the propensity score in observational studies for causal？effects, Biometrika, 70, 41-55. 

  24. Rosenbaum PR and Rubin DB (1985). Constructing a control group using multivariate matched sampling methods that incorporate the propensity score, The American Statistician, 39, 33-38. 

    상세보기

  25. Rubin DB (1973). Matching to remove bias in observational studies, Biometrics, 29, 159-183. 

    상세보기

  26. Rubin DB (1974). Estimating causal effects of treatments in randomized and nonrandomized studies, Journal of？Educational Psychology, 66, 688-701. 

    상세보기

  27. Rubin DB (1980). Randomization analysis of experimental data: The fisher randomization test comment, Journal？of the American Statistical Association, 75, 591-593. 

    상세보기

  28. Stefanski LA and Boos DD (2002). The calculus of m-estimation, The American Statistician, 56, 29-38. 

    상세보기

  29. Stuart EA (2010). Matching methods for causal inference: A review and a look forward, Statistical Science: A？Review Journal of the Institute of Mathematical Statistics, 25, 1-21. 

  30. Sturmer T, Rothman KJ, Avorn J, and Glynn RJ (2010). Treatment effects in the presence of unmeasured confounding: Dealing with observations in the tails of the propensity score distribution-a simulation study,？American Journal of Epidemiology, 172, 843-854. 

    상세보기

  31. Sturmer T, Webster-Clark M, Lund JL, Wyss R, Ellis AR, Lunt M, Rothman KJ, and Glynn RJ (2021). Propensity？score weighting and trimming strategies for reducing variance and bias of treatment effect estimates: A？simulation study, American Journal of Epidemiology, 190, 1659-1670. 

    상세보기

  32. Traskin M and Small DS (2011). Defining the study population for an observational study to ensure sufficient？overlap: A tree approach, Statistics in Biosciences, 3, 94-118. 

    상세보기

  33. Zhang HT, McGrath LJ, Ellis AR, Wyss R, Lund JL, and Sturmer T (2019). Restriction of pharmacoepidemiologic cohorts to initiators of medications in unrelated preventive drug classes to reduce confounding by？frailty in older adults, American Journal of Epidemiology, 188, 1371-1382. 

    상세보기

  34. Zhou Y, Matsouaka RA, and Thomas L (2020). Propensity score weighting under limited overlap and model？misspecification, Statistical Methods in Medical Research, 29, 3721-3756. 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로