Интуитивно понятное объяснение обратной вероятности веса лечения (IPTWs) в оценке веса склонности?

Я понимаю механизм вычисления весов, используя оценки склонности : а затем применяют веса в регрессионном анализе, и эти веса служат для «контролировать» или разъединять эффекты ковариат в группах лечения и контрольной группы с переменной результата. $p(x_i)$

\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}

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

Однако на уровне интуиции я не понимаю, как веса достигают этого и почему уравнения строятся такими, какие они есть.

intuition weighted-regression propensity-scores

— RobertF
источник

Склонность оценка вычисляется вероятность субъекта получать лечение данного информации в . Процедура IPTW пытается сделать контр-фактический вывод более заметным, используя оценки склонности. Ожидается, что наличие высокой вероятности получения лечения, а затем фактического получения лечения, не дает никакой контрафактной информации. Наличие низкой вероятности получения лечения и фактического получения лечения является необычным и, следовательно, более информативным о том, как лечение повлияет на субъектов с низкой вероятностью его получения; то есть. характеристики в основном связаны с контрольными субъектами. Поэтому взвешивание для предмета лечения $p(x_i)$ $i$ $X$ $\text{w}_{i,j=\text{treat}} = \frac{1}{p(x_i)}$ добавляет больше веса маловероятным / высокоинформативным субъектам лечения. Следуя той же идее, если контрольный субъект имеет большую вероятность получения лечения, он является информативным показателем того, как поведут себя субъекты в лечении, если они находятся в контрольной группе. В этом случае взвешивание для контрольных субъектов равно добавляя больший вес к маловероятному / высокоинформативному элементу управления предметы. Действительно, уравнения в первом случае могут показаться несколько произвольными, но я думаю, что их легко объяснить с помощью контр-фактического обоснования. В конечном итоге все процедуры сопоставления / PSM / взвешивания пытаются набросать квазиэкспериментальную структуру в наших данных наблюдений; новый идеал $\text{w}_{i,j=\text{control}} = \frac{1}{1-p(x_i)}$ эксперимент.

Если вы с ними не сталкивались, я настоятельно рекомендую вам прочитать «Стюарт» (2010): « Методы сопоставления причинно-следственных связей: обзор и взгляд в будущее», « Тёммес и Ким» (2011): «Систематический обзор методов оценки склонности в социальных науках» ; оба хорошо написаны и служат хорошими статьями. Также ознакомьтесь с этой превосходной лекцией 2015 года о том, почему оценки склонности не должны использоваться для сопоставления King. Они действительно помогли мне построить мою интуицию по этому вопросу.

— usεr11852
источник

Спасибо, отличный ответ! Конечно, аргументация в пользу весовых формул очевидна задним числом. Я посмотрел статью Кинга 2015 года. Очень информативно, хотя, если я достигну отличного баланса с сопоставлением оценок склонности без обрезки, то почему бы не использовать оценки склонности?

— RobertF

Я рад, что вы нашли это полезным. Относительно Кинга (2015): Если мы достигаем отличного баланса через PSM, мы должны использовать PSM. Проблема заключается в том, что PSM обычно не достигает превосходного баланса, как это было бы в полностью блокированном рандомизированном экспериментальном проекте, потому что он не был разработан для этого.

— usεr11852

Блестящий ответ, @ usεr11852

— Nicg

Спасибо. Это мило с твоей стороны сказать.

— usεr11852