Доверительный интервал для среднего эффекта лечения от веса оценки склонности?


9

Я пытаюсь оценить средний эффект лечения по данным наблюдений, используя весовые коэффициенты склонности (особенно IPTW). Я думаю, что я правильно рассчитываю ATE, но я не знаю, как рассчитать доверительный интервал ATE, принимая во внимание весовые коэффициенты обратной склонности.

Вот уравнение, которое я использую для расчета среднего эффекта от лечения (ссылка Stat Med. Sep 10, 2010; 29 (20): 2137–2148.): где общее количество субъектов, статус лечения, Y_i = статус исхода и p_i = показатель склонности.

ATE=1N1NZiYipi1N1N(1Zi)Yi1pi
N=Zi=Yi=pi=

Кто-нибудь знает о пакете R, который рассчитал бы доверительный интервал среднего эффекта лечения с учетом весов? Может ли surveyпакет помочь здесь? Мне было интересно, если это будет работать:

library(survey)
sampsvy=svydesign(id=~1,weights=~iptw,data=df)
svyby(~surgery=='lump',~treatment,design=sampsvy,svyciprop,vartype='ci',method='beta')

#which produces this result:
  treatment surgery == "lump"      ci_l      ci_u
   No         0.1644043 0.1480568 0.1817876
   Yes         0.2433215 0.2262039 0.2610724

Я не знаю, куда идти отсюда, чтобы найти доверительный интервал разницы между пропорциями (т.е. средний эффект лечения).


Я не могу ответить конкретно, но книга «Сложные опросы: руководство по анализу с использованием R», написанная автором пакета опроса, охватывает IPTW и может быть полезной. books.google.com/…
kaz_yos

Ответы:


11

Вам не нужен surveyпакет или что-нибудь сложное. Вулдридж (2010, стр. 920 и далее) "Эконометрический анализ данных поперечного сечения и панелей" содержит простую процедуру, из которой можно получить стандартные ошибки для построения доверительных интервалов.

Исходя из предположения, что вы правильно указали оценку склонности, которую мы обозначаем как , определите оценку из оценки оценки склонности (т. Е. Ваш первый логит или регрессия пробита ) as и пусть как указано выше. Затем возьмите примерные аналоги этих двух выражений и регрессируйте наp(xi,γ)

di=γp(xi,γ)[Zip(xi,γ)]p(xi,γ)[1p(xi,γ)]
ATEi=[Zip(xi,γ)]Yip(xi,γ)[1p(xi,γ)]
ATE^id^i, Убедитесь, что вы включили перехват в этой регрессии. Пусть - остаток от этой регрессии, тогда асимптотическая дисперсия будет просто . Таким образом, асимптотическая стандартная ошибка вашего ATE: eiN(ATE^ATE)Var(ei)
[1Ni=1Nei2]12N

Затем вы можете рассчитать доверительный интервал обычным способом (см., Например, комментарии к ответу здесь для примера кода). Вам не нужно снова корректировать доверительный интервал для весов обратной склонности, потому что этот шаг уже был включен в расчет стандартных ошибок.

К сожалению, я не являюсь R-парнем, поэтому я не могу предоставить вам конкретный код, но изложенная выше процедура должна быть понятной. Как примечание, это также способ работы treatrewкоманды в Stata. Эта команда была написана и введена в Stata Journal Cerulli (2014) . Если у вас нет доступа к статье, вы можете проверить его слайды, в которых также описана процедура расчета стандартных ошибок по взвешиванию обратной склонности. Там он также обсуждает некоторые незначительные концептуальные различия между оценкой показателя склонности с помощью логита или пробита, но ради этого ответа это было не слишком важно, поэтому я пропустил эту часть.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.