Marjinal Yapısal Model (MSM)
Marginal Structural Model with Inverse Probability of Treatment Weighting · Ayrıca şöyle bilinir: MSM, MSM-IPTW, marginal structural Cox model, weighted structural model
Marjinal yapısal model, zamanla değişen önceki tedaviye bağlı olan zamanla değişen karıştırıcıların varlığında zamanla değişen tedavinin etkisini tahmin etmek üzere tasarlanmış nedensel bir modelleme çerçevesidir. Gözlemleri tedavi olasılığının tersiyle ağırlıklandırarak, MSM'ler karıştırıcılığın ortadan kaldırıldığı bir sözde-popülasyon oluşturur ve standart regresyon ayarlamalarının başarısız olacağı durumlarda bile nedensel tedavi karşılaştırmalarının yanlı olmayan tahminine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+26 tane daha
Ne zaman kullanılır
Tedavi zamanla değiştiğinde ve zamanla değişen kovaryatlar hem gelecekteki tedaviyi tahmin ettiğinde hem de geçmiş tedaviden etkilendiğinde — tedavi-karıştırıcı geri beslemesi veya zamanla değişen karıştırıcılık olarak adlandırılan bir durum — marjinal yapısal modeller kullanın. Yaygın bağlamlar arasında epidemiyolojide uzun süreli ilaç maruziyeti çalışmaları, ekonomide tekrarlanan politika maruziyetleri ve klinik araştırmalarda yoğun bakım tedavi dizileri bulunur. MSM'ler, ikili veya sürekli zamanla değişen tedaviye ve tek bir nihai veya kümülatif sonuca sahip boylamsal kohort verileri için uygundur. Tedavinin sabit ve bir kez atandığı durumlarda (standart eğilim skoru yöntemleri yeterlidir), pozitiflik varsayımı başarısız olduğunda (bazı kovaryat desenlerinin sıfır tedavi olasılığı vardır), çok az zaman noktanız ve zayıf karıştırıcılığınız olduğunda (sıradan regresyon yeterlidir) veya birincil ilgi alanının koşullu bir etki yerine marjinal bir etki olduğu durumlarda MSM'leri kullanmayın.
Güçlü yönler & sınırlılıklar
- Nedensel yol üzerindeki ara değişkenler olan zamanla değişen karıştırıcıları doğru bir şekilde ele alır — geleneksel regresyon ayarlamalarının yapamayacağı bir şey.
- Bireysel kovaryat yörüngelerine koşullu olmadan, doğrudan politika açısından ilgili ve yorumlanabilir bir marjinal (popülasyon ortalaması) nedensel etkiyi hedefler.
- Tedavi modelini sonuç modelinden ayırır, sonuç modelini yanlış belirtmeden ağırlıkları tahmin etmek için esnek makine öğrenmesi yaklaşımlarına izin verir.
- Stabilize edilmiş ağırlıklar, sözde-popülasyonu iyi davranışlı tutar ve ham IPTW tahmin edicilerine kıyasla varyansı azaltır.
- Marjinal yapısal Cox modelleri aracılığıyla sağkalım sonuçlarına kolayca genişletilebilir, bu da onu klinik ve epidemiyolojik zaman-olay araştırmalarında yaygın olarak uygulanabilir hale getirir.
- Üç tanımlayıcı varsayıma dayanır — ölçülmemiş karıştırıcılığın olmaması (sıralı değişmezlik), pozitiflik (her zaman seviyesinin her geçmişte sıfır olmayan olasılığı vardır) ve doğru model belirtimi — bunların hepsi yalnızca verilerden test edilemez.
- Aşırı veya yüksek derecede değişken ağırlıklar varyansı şişirir ve kararsız tahminlere yol açabilir; ağırlık kesmesi yaygın ancak geçici bir çözümdür.
- Her zaman noktasında tedavi modelini doğru bir şekilde belirtmeyi gerektirir; herhangi bir dönemdeki hatalar tüm ağırlık çarpımına yayılır.
- Sonuç modeli de mevcut olduğunda, hedeflenen maksimum olabilirlik tahmini (TMLE) gibi çift yönlü sağlam tahmin edicilere kıyasla verimsizdir.
- Eksiksiz kovaryat geçmişlerine sahip büyük, yüksek kaliteli boylamsal veri kümeleri gereklidir; tedavi veya kovaryat geçmişindeki eksik veriler ek varsayımlar ve yöntemler gerektirir.
SSS
MSM'leri geleneksel çok değişkenli regresyondan ayıran nedir?
Aynı zamanda geçmiş tedaviden etkilenen zamanla değişen bir kovaryatı ayarlayan geleneksel regresyon, çarpışan-tabakalaşma yanlılığı getirir. MSM'ler, zamanla değişen ara değişkenlerin ayarlanan modelde çarpışanlar olarak hareket etmemesi için, koşullandırma yoluyla değil, yeniden ağırlıklandırma yoluyla karıştırıcılığı gidererek bundan kaçınır.
Pozitiflik varsayımı nedir ve neden önemlidir?
Pozitiflik, her bireyin, kovaryat geçmişinden bağımsız olarak, her zaman noktasında her tedavi seviyesini alma olasılığının sıfır olmamasını gerektirir. Pozitiflik başarısız olursa, bazı gözlemler için ters olasılık ağırlıkları sonsuz hale gelir, bu da tahmini imkansız ve sonuçları güvenilmez hale getirir. Pratik yakın-ihlaller de varyansı önemli ölçüde şişirir.
Ne zaman stabilize edilmiş ağırlıklar yerine stabilize edilmemiş ağırlıklar kullanmalıyım?
Uygulamada her zaman stabilize edilmiş ağırlıkları tercih edin. Stabilize edilmemiş ağırlıkların ortalaması örneklem büyüklüğüne eşittir, bu verimsizdir ve yüksek varyanslı tahminlere yol açar. Stabilize edilmiş ağırlıkların ortalaması yaklaşık 1'dir ve daha düşük varyansla aynı karıştırıcılık giderme özelliğini elde eder.
Aşırı ağırlıklarla nasıl başa çıkarım?
Sonuç modelini uydurmadan önce ağırlık dağılımını inceleyin. Yaygın olarak, bir eşiğin üzerindeki ağırlıklar (örneğin, 99. persentil veya 10-20 değeri) kesilir veya kırpılır. Kesme varyansı azaltır ancak küçük bir yanlılık getirir; hassasiyet analizleri, kesme ile ve kesme olmadan sonuçları karşılaştırmalıdır.
Bir MSM, çift yönlü sağlam tahmin ile aynı mıdır?
Hayır. IPTW'li bir MSM yalnızca tedavi modeli doğru bir şekilde belirtilmişse tutarlıdır. Artırılmış IPTW veya TMLE gibi çift yönlü sağlam tahmin ediciler, bir tedavi modeli ve bir sonuç modeli birleştirir, bu nedenle tutarlı olmaları için ya (ancak zorunlu olarak ikisi değil) doğru bir şekilde belirtilmiş olmaları gerekir — yanlış belirtmeye karşı ek bir koruma katmanı sağlar.
Kaynaklar
- 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 ↗
- Hernan, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Marginal Structural Model with Inverse Probability of Treatment Weighting. ScholarGate. https://scholargate.app/tr/causal-inference/marginal-structural-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- G-Hesaplama (Parametrik G-formülü)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır