Bayesçi Marjinal Yapısal Model
Bayesian Marginal Structural Model with Inverse Probability Weighting · Ayrıca şöyle bilinir: Bayesian MSM, Bayesian MSM-IPW, Bayesian weighted structural model, Bayesian causal MSM
Bayesçi Marjinal Yapısal Model (Bayesçi MSM), ters olasılık ağırlıklı marjinal yapısal modellerin nedensel tanımlama gücünü Bayesçi sonsal çıkarım ile birleştirir. Nokta tahminlere ve asimptotik standart hatalara güvenmek yerine, zamanla değişen tedavilerin nedensel etkileri için tutarlı belirsizlik ölçümü sunarak, nedensel etki parametreleri üzerinde tam bir sonsal dağılım yoluyla belirsizliği yayar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Uzunlamasına veya panel verileriniz olduğunda, zamanla değişen tedaviler ve geçmiş tedaviye de etkilenen zamanla değişen karıştırıcılar olduğunda Bayesçi MSM'yi kullanın - standart regresyonun yanlı olduğu klasik ortam. Özellikle örneklem orta veya küçük olduğunda ve asimptotik sıklıkçı güven aralıkları güvenilmez olabileceğinde, önceki çalışmalardan gelen önsel bilgi mevcut olduğunda ve dahil etmek bilimsel olarak uygun olduğunda veya analiz tam bir sonsal öngörüsel dağılım gerektiren bir karar modeline beslendiğinde Bayesçi sürümü seçin. Tedavi temel çizgide sabit olduğunda (standart bir eğilim puanı yöntemi yeterlidir), önsel bilgi mevcut olmadığında ve örneklem büyük olduğunda (klasik MSM-IPW daha basittir ve eşit derecede geçerlidir) veya MCMC için yazılım ve hesaplama kaynakları mevcut olmadığında kullanmayın.
Güçlü yönler & sınırlılıklar
- Standart regresyon ve eğilim puanı eşleştirmesinin doğru bir şekilde yapamadığı, nedensel yol üzerinde ara olan zamanla değişen tedavileri ve zamanla değişen karıştırıcıları ele alır.
- Asimptotik güven aralıkları yerine tam sonsal belirsizlik ölçümü, küçük ila orta örneklemlerle çıkarımı iyileştirir.
- Önceki denemelerden, meta-analizlerden veya uzman görüşmelerinden gelen önsel bilginin prensipli bir şekilde dahil edilmesine izin verir.
- Sonsal öngörüsel dağılımlar, aşağı akış karar analizi ve politika simülasyonunu doğrudan destekler.
- Güven aralıklarının doğrudan bir olasılık yorumu vardır: nedensel etkinin belirtilen aralıkta olduğuna dair %95'lik bir sonsal olasılık vardır.
- Hem tedavi (ağırlık) modelinin hem de yapısal sonuç modelinin doğru bir şekilde belirtilmesini gerektirir; bunlardan herhangi birinin yanlış belirtilmesi nedensel tahminleri yanlı hale getirebilir.
- Hesaplama açısından yoğundur: karmaşık uzunlamasına modeller için MCMC örneklemesi yavaş olabilir ve ağırlık belirsizliğini tam olarak yaymak ek maliyet getirir.
- Veriler seyrek olduğunda önsel seçime duyarlılık önemli olabilir; sonuçlar önsel hassasiyet analizi ile birlikte sunulmalıdır.
- Stabilize edilmiş ağırlıklar, pozitifliğe yakın ihlal edildiğinde hala oldukça değişken olabilir, bu da Bayesçi çerçeveden bağımsız olarak varyansı artırır.
- Sıklıkçı MSM uygulamalarına kıyasla nispeten sınırlı yazılım desteği.
SSS
Bayesçi MSM, klasik (sıklıkçı) MSM'den nasıl farklıdır?
Her ikisi de ölçülmüş zamanla değişen karıştırmadan arındırılmış bir sözde-popülasyon oluşturmak için ters olasılık ağırlıklarını kullanır ve her ikisi de bu sözde-popülasyonda marjinal bir yapısal model uydurur. Fark çıkarımdır: klasik yaklaşım bir nokta tahmini artı asimptotik standart hatalar veya bir bootstrap aralığı raporlar, oysa Bayesçi MSM önsel belirtir ve nedensel parametreler üzerinde tam bir sonsal dağılım üretir, bu da güven aralıklarına ve doğrudan olasılık ifadelerine olanak tanır.
Ağırlıkları da Bayesçi bir şekilde modellemem gerekiyor mu?
Zorunlu değil. Birçok uygulama, ağırlıkları bir sıklıkçı eğilim modelinden tahmin eder ve ardından bu takma ağırlıklara Bayesçi yapısal modelde koşullandırır. Tamamen Bayesçi bir tedavi, her iki aşamadan da belirsizliği yayar, bu daha prensiplidir ancak aynı zamanda hesaplama açısından daha zordur.
Hangi yazılımları kullanabilirim?
Stan (R'de rstan veya cmdstanr aracılığıyla) ve JAGS, Bayesçi yapısal modeli belirtmek ve örneklemek için ana platformlardır. Ağırlık modelleri tipik olarak standart regresyon araçlarıyla (R'de glm, Python'da sklearn) önce uydurulur. WeightIt R paketi, bir Bayesçi örnekleyiciye geçmeden önce ağırlık tahminini basitleştirir.
Pozitiflik varsayımı ne zaman ihlal edilir ve neden önemlidir?
Pozitiflik, her tedavi geçmişinin gözlemlenen verilerde sıfır olmayan bir olasılığa sahip olmasını gerektirir. İhlaller, ağırlıklı olasılığı (ve dolayısıyla sonsal) kararsız hale getiren aşırı ağırlıklara neden olur. Ağırlıkları kırpın veya stabilize edin ve bir teşhis kontrolü olarak tahmin edilen ağırlıkların aralığını raporlayın.
Bayesçi MSM sürekli veya çok değerli tedavileri ele alabilir mi?
Evet. Sürekli tedaviler için stabilize edilmiş ağırlıkların paydası, yoğunluk regresyonu ile tahmin edilen bir olasılık yerine bir koşullu yoğunluktur. Yapısal model daha sonra doz-cevap eğrisini parametreleştirir. Bu, ikili durumdan daha karmaşıktır ancak uygun yazılımla uygulanabilir kalır.
Kaynaklar
- Saarela, O., Stephens, D. A., Moodie, E. E. M., & Klein, M. B. (2015). On Bayesian estimation of marginal structural models. Biometrics, 71(2), 279-288. DOI: 10.1111/biom.12269 ↗
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Marginal Structural Model with Inverse Probability Weighting. ScholarGate. https://scholargate.app/tr/causal-inference/bayesian-marginal-structural-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Farkların Farkı (Bayesian Difference-in-Differences)Nedensel çıkarım↔ karşılaştır
- Bayes Enstrümantal Değişkenler (Bayes IV)Nedensel çıkarım↔ karşılaştır
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır