Trong phân tích điểm xu hướng, các tùy chọn để đối phó với các xu hướng rất nhỏ hoặc lớn là gì?

$\newcommand{\P}{\mathbb{P}}$ Tôi quan tâm đến dữ liệu quan sát trong đó việc chỉ định điều trị có thể được giải thích cực kỳ tốt. Ví dụ, hồi quy logistic của

P (A = 1 | X) = (1 + \exp (- (X β)))^{- 1}

$\P(A =1 |X) = (1+ \exp(-(X\beta)))^{-1}$

wehre $A$ điều trị và $X$ biến rất phù hợp với xét nghiệm rất cao $AUC >.80$ hoặc thậm chí $>.90$ . Đây là tin tốt cho tính chính xác của mô hình xu hướng, nhưng nó dẫn đến ước tính điểm của xu hướng

\hat{π} = (1 + \exp (- (X \hat{β})))^{- 1}

$\hat{\pi} = (1+ \exp(-(X \hat{\beta})))^{-1}$ đóng đến

0

$0$ hoặc

1

$1$ . Điều này lần lượt dẫn đến trọng số xác suất nghịch đảo lớn

{\hat{π}}^{- 1}

$\hat{\pi}^{-1}$ và

(1 - \hat{π})^{- 1}

$(1-\hat{\pi})^{-1}$ được sử dụng trong các công cụ ước tính như ước tính trọng số xác suất nghịch đảo của kỳ vọng kết quả

Y_{1}

$Y_1$ (quan sát đang điều trị):

n^{- 1} \sum_{i} {\hat{π_{i}}}^{- 1} A_{i} Y_{1 i} .

$n^{-1} \sum_i \hat{\pi_i}^{-1} A_i Y_{1i}.$

Điều này, tôi nghi ngờ, biến các phương sai của ước tính rất lớn.

Có vẻ như một vòng luẩn quẩn mà các mô hình điểm xu hướng rất phân biệt đối xử dẫn đến trọng lượng cực đoan.

Câu hỏi của tôi : những gì có sẵn tùy chọn để làm cho phân tích này mạnh mẽ hơn? Có những lựa chọn thay thế để phù hợp với mô hình điểm xu hướng hoặc làm thế nào để đối phó với trọng lượng lớn sau khi mô hình đã phù hợp?

— cà chua
nguồn

Bạn có thể muốn xem xét các đồng biến một cách cẩn thận. Bạn nên bao gồm tất cả các biến ảnh hưởng đến cả hai (không phải cả hai, nhưng cả hai) sự tham gia và kết quả. Bao gồm cả những người bị ảnh hưởng bởi điều trị, hoặc bài cũ hoặc dự kiến điều trị, là xấu. Đặc biệt, Bao gồm các công cụ - các biến ảnh hưởng đến sự tham gia và không kết quả - cũng là một ý tưởng đặc biệt tồi tệ. Họ sẽ không giúp đỡ với sự lựa chọn thiên vị và có thể làm trầm trọng thêm vấn đề hỗ trợ. Ví dụ: nếu một số người được khuyến khích điều trị, bạn không muốn điều kiện đó.

— Dimitriy V. Masterov

@ DimitriyV.Masterov Cảm ơn; điểm cuối cùng của bạn có vẻ thú vị / phù hợp với tình hình của tôi. Vì vậy, bạn có nói rằng tốt nhất không nên tìm mô hình phân công điều trị tốt nhất (mà là mô hình bao gồm các yếu tố dự đoán kết quả và chỉ định)? Tôi nghĩ rằng chính xác hơn chúng ta có thể dự đoán phân công, thì tốt hơn.

— tomka

Tôi nghĩ đó là một quan niệm sai lầm phổ biến. Ví dụ, xem bài viết của Battacharya và Vogt (2012) trên Tạp chí Thống kê và Kinh tế Quốc tế về điểm công cụ.

— Dimitriy V. Masterov

@ DimitriyV.Masterov trong khi câu trả lời của bạn có thể giải quyết vấn đề của khuynh hướng nhỏ trong một số trường hợp, nó vẫn có thể là trường hợp đó các thiết lập của liên quan đến cả và là rất phân biệt đối xử trên . Tôi vẫn quan tâm đến các lựa chọn để đối phó với vấn đề này.

X

$X$

Y

$Y$

A

$A$

A

$A$

— tomka

Đây là một phát hiện tốt. Bạn đang đề cập đến giả định tích cực. Nó đòi hỏi phải có cả những người tham gia tiếp xúc và không được tiếp xúc ở mọi sự kết hợp các giá trị của (các) yếu tố gây nhiễu quan sát được trong dân số đang nghiên cứu. Vi phạm tích cực xảy ra khi các nhóm con nhất định trong một mẫu hiếm khi hoặc không bao giờ nhận được một số phương pháp điều trị quan tâm. Có nhiều bài viết về chủ đề này, chẳng hạn như Austin và Stuart (2015) và Peterson et al. (2012) . Bạn có thể tìm kiếm thêm trực tuyến.

— người dùng36400
nguồn

Cảm ơn, nhưng bạn có chắc không? Tôi đang đề cập đến trọng lượng rất nhỏ hoặc lớn. Những gì bạn mô tả âm thanh giống như sự chồng chéo giữa các phân phối xu hướng của các đơn vị được xử lý so với không được điều trị (rõ ràng được gọi là tích cực, tôi không biết). Tuy nhiên, dường như có thể có sự chồng chéo (tích cực) trong khi vẫn có trọng lượng cực đoan, phải không?

— tomka

Ngoài ra, không thể có sự chồng chéo (tích cực) trong khi không có trọng lượng cực đoan, tôi tin.

— tomka

Bài báo của Austin & Stuart thảo luận về việc sử dụng trọng lượng ổn định, có thể hữu ích cho tình huống của bạn.

— Nô

@ Không thấy cái đó. Đó là một điểm khởi đầu tốt. Thật không may, họ không ghi nhận yêu cầu này rất tốt và ảnh hưởng của nó đến các ước tính khi xu hướng cực đoan không được biết đến.

— tomka