Giải thích trực quan cho xác suất nghịch đảo của trọng số điều trị (IPTW) trong trọng số điểm xu hướng?

Tôi hiểu các cơ chế tính toán trọng số bằng cách sử dụng điểm số xu hướng : $p(x_i)$ và sau đó áp dụng các trọng số trong phân tích hồi quy và các trọng số này dùng để "kiểm soát" hoặc tách rời các tác động của hiệp phương sai trong các nhóm điều trị và nhóm kiểm soát với biến kết quả.

\begin{aligned} w_{i, j = t r e a t} & = \frac{1}{p (x_{i})} \\ w_{i, j = c o n t r o l} & = \frac{1}{1 - p (x_{i})} \end{aligned}

$\begin{align} w_{i, j={\rm treat}} &= \frac{1}{p(x_i)} \\[5pt] w_{i, j={\rm control}} &= \frac{1}{1-p(x_i)} \end{align}$

Tuy nhiên, ở cấp độ ruột, tôi không hiểu làm thế nào các trọng số đạt được điều này và tại sao các phương trình được xây dựng như hiện tại.

intuition weighted-regression propensity-scores

— RobertF
nguồn

Các điểm xu hướng tính là xác suất của đối tượng để nhận điều trị cho các thông tin trong . Các thủ tục IPTW cố gắng để làm cho phản thực tế $p(x_i)$ $i$ $X$ $\text{w}_{i,j=\text{treat}} = \frac{1}{p(x_i)}$ $\text{w}_{i,j=\text{control}} = \frac{1}{1-p(x_i)}$

Trong trường hợp bạn không bắt gặp chúng, tôi thực sự khuyên bạn nên đọc Stuart (2010): Phương pháp đối sánh cho suy luận nguyên nhân: Đánh giá và nhìn về phía trước và Thoemmes và Kim (2011): Đánh giá có hệ thống về các phương pháp tính điểm theo tỷ lệ trong khoa học xã hội ; cả hai đều được viết độc đáo và phục vụ như là bài viết tốt về vấn đề này. Ngoài ra, hãy kiểm tra bài giảng xuất sắc năm 2015 này về lý do tại sao không nên sử dụng điểm số theo tỷ lệ phù hợp với vua. Họ thực sự đã giúp tôi xây dựng trực giác của mình về chủ đề này.

— usεr11852
nguồn

Cảm ơn bạn, câu trả lời tuyệt vời! Tất nhiên, lý do đằng sau các công thức trọng lượng là rõ ràng trong nhận thức muộn màng. Tôi đã xem bài viết của King 2015. Rất nhiều thông tin, mặc dù nếu tôi đạt được sự cân bằng tuyệt vời với điểm số phù hợp với việc cắt xén, thì tại sao không sử dụng điểm số của xu hướng?

— RobertF

Tôi vui mừng bạn thấy nó hữu ích. Về King (2015): Nếu chúng tôi đạt được sự cân bằng tuyệt vời thông qua PSM, chúng tôi nên sử dụng PSM. Vấn đề là PSM thường không đạt được sự cân bằng tuyệt vời như chúng ta sẽ có trong một thiết kế thử nghiệm ngẫu nhiên bị chặn hoàn toàn vì nó không được thiết kế để làm như vậy.

— usεr11852

Rực rỡ trả lời, @ usεr11852

— Nicg

Cảm ơn bạn. Đó là tốt đẹp của bạn để nói.

— usεr11852