Eğilim Skoru Eşleştirmesi
Propensity Score Matching and Weighting · Ayrıca şöyle bilinir: PSM, propensity score weighting, covariate balance
Eğilim skoru eşleştirmesi (PSM), gözlemsel çalışmalarda, tedavi grupları arasındaki başlangıç özelliklerini dengeleyerek, rastgeleleştirmeyi simüle ederek karıştırıcı yanlılığı azaltmak için kullanılan bir yöntemdir. Rosenbaum ve Rubin (1983) tarafından geliştirilen bu yöntem, gözlemlenen kovaryetler verildiğinde tedavi alma olasılığını tahmin eder, ardından benzer tedavi olasılıklarına sahip tedavi edilmiş ve kontrol bireylerini eşleştirir veya ağırlıklandırır. Rastgeleleştirilmiş denemelerin uygulanamaz veya etik olmadığı durumlarda tıp, epidemiyoloji ve politika değerlendirmelerinde yaygın olarak kullanılır, seçim yanlılığını kontrol ederken tedavi etkilerinin tahmin edilmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+113 tane daha
Ne zaman kullanılır
Gözlemsel çalışmalar yürütürken ve rastgeleleştiremezken, ancak tüm karıştırıcılar ölçülmüşse eğilim skoru eşleştirmesini kullanın. Tıbbi araştırma: başlangıç riskine sahip benzer tedavi edilmiş/edilmemiş hastaları karşılaştırarak tedavi etkinliğini (cerrahi vs konservatif bakım) değerlendirme. Politika değerlendirmesi: program etkisini (örneğin, istihdam üzerindeki mesleki eğitim) katılımcıları ve eşleştirilmiş katılımcı olmayanları karşılaştırarak değerlendirme. Epidemiyoloji: başlangıç özelliklerini kontrol ederken maruziyete (hastalık riski) bağlı hastalık riskini tahmin etme. Ön koşul: tedavi atamasından önce karıştırıcılar hakkında yeterli başlangıç verisi toplanmış olmalıdır; ölçülmemiş karıştırıcı (örneğin, ölçülmemiş hastalık şiddeti) bir tehdit olmaya devam eder.
Güçlü yönler & sınırlılıklar
- Karıştırıcı yanlılığı azaltır: ölçülen karıştırıcılar üzerinde dengelenmiş gruplar oluşturarak, PSM bu değişkenler için rastgeleleştirmeyi taklit eder, nedensel çıkarıma olanak tanır.
- Yorumlanabilir: eğilim skoru, birçok kovaryeti tek bir skalerde birleştirir; kovaryet dengesinin nasıl sağlandığı şeffaftır.
- Esnek: ikili veya çoklu tedavilerle çalışır; sürekli tedavilere (genelleştirilmiş eğilim skoru) genişletilebilir.
- Tanısal: kovaryet denge değerlendirmesi (SMD, love plotları) yanlılığın azaltılmasına dair net kanıtlar sunar; analiz öncesi dengesizlik görünür.
- Çift sağlam: sonuç regresyonu ile birleştirildiğinde, tahminci ya eğilim modeli ya da sonuç modeli doğruysa tutarlıdır (yanlış belirtilmeye karşı dayanıklılık).
- Koşullu bağımsızlık varsayımı: yalnızca ilgili tüm karıştırıcılar ölçülmüşse geçerlidir. Ölçülmemiş karıştırıcılar (örneğin, ölçülmemiş hastalık şiddeti, hasta tercihi) kontrolsüz kalır; PSM bunları tespit edemez veya düzeltemez.
- Verimsizlik: eşleştirme örneklem boyutunu azaltır (eşleştirilmemiş bireyler atılır); eşleştirilmiş analizler, eşleştirilmemiş regresyona göre istatistiksel olarak daha az güçlüdür.
- Sınırlı örtüşme: tedavi edilmiş ve edilmemiş popülasyonlar çok farklı kovaryet dağılımlarına sahipse, örtüşme bölgesi küçüktür; tahminler yalnızca örtüşme bölgesiyle sınırlıdır.
- Model bağımlılığı: eğilim skoru tahminleri, lojistik regresyonun doğru belirtilmesine bağlıdır; yanlış belirtme (çıkarılmış etkileşimler, doğrusal olmayan ilişkiler) zayıf dengeye yol açar.
- Bilgi kaybı: bire bir eşleştirme, potansiyel olarak bilgilendirici eşleştirilmemiş bireyleri atar; bire çok eşleştirme veya ağırlıklandırma tüm verileri korur.
SSS
Eğilim skoru nedir ve ona göre eşleştirme neden işe yarar?
Eğilim skoru, gözlemlenen kovaryetler verildiğinde tedavi alma olasılığıdır, lojistik regresyon aracılığıyla tahmin edilir: P(T=1|Kovaryetler). Aynı eğilim skoruna sahip iki birey, farklı tedavi edilmiş olsalar bile (beklenti dahilinde) benzer başlangıç özelliklerine sahiptir. Eğilim skorlarına göre eşleştirme, karşılaştırılabilir gruplar oluşturur: eşleştirilmiş örneklemde, tedavi durumu kovaryetlerden bağımsızdır (koşullu bağımsızlık sağlanır). Bu, başlangıçta rastgeleleştirme yapmaya eşdeğerdir, nedensel çıkarıma olanak tanır. Eğilim skoru bir skalerdir (kişi başına bir sayı), eşleştirmeyi çoklu boyutlardan tek bir boyuta indirger (boyutluluk laneti çözülür).
Eğilim skoru eşleştirmesi ile tersi tedavi olasılığı ağırlıklandırması (IPTW) arasındaki fark nedir?
Eğilim skoru eşleştirmesi: tedavi edilmiş bireyleri benzer eğilim skorlarına sahip tedavi edilmemiş bireylerle eşleştirir; yalnızca eşleştirilmiş çiftleri analiz eder, eşleştirilmemiş bireyleri atar. IPTW (tersi tedavi olasılığı ağırlıklandırması): tüm bireyleri ters eğilim skorlarına göre ağırlıklandırır (tedavi edilmişleri 1/p, kontrolleri 1/(1−p) ile ağırlıklandırır), tedavi kovaryetlerden bağımsız olduğu bir sözde popülasyon oluşturur. IPTW tüm verileri korur, verimliliği ve gücü artırır. Her ikisi de kovaryet dengesi sağlar; IPTW istatistiksel olarak daha verimlidir. Ödünleşme: IPTW, bazı bireylerin çok yüksek veya çok düşük eğilim skorlarına sahip olması durumunda aşırı ağırlıklar üretebilir, varyansı artırır; eşleştirme bunu önler ancak veri kaybına neden olur.
Kovaryet dengesini nasıl değerlendiririm ve ne kabul edilebilir?
Her kovaryet için standartlaştırılmış ortalama farkını (SMD) hesaplayın: SMD = (tedavi_ortalaması − kontrol_ortalaması) / havuzlanmış SD. SMD < 0.10 genellikle 'dengeli' olarak kabul edilir; < 0.05 mükemmeldir. SMD'leri eşleştirmeden önce ve sonra çizin (love plot): öncesi/sonrası denge bir bakışta görünür. Tüm karıştırıcılar için SMD'yi hesaplayın; eşleştirmeden sonra herhangi biri dengesiz kalırsa (SMD > 0.10), şunları düşünün: kalibreyi genişletme (daha gevşek eşleştirme), eğilim modeline etkileşimleri dahil etme veya alternatif yöntemler kullanma (tabakalama, regresyon ayarlaması). Dengeyi p-değerleriyle asla yargılamayın (p-değerleri örneklem boyutuna bağlıdır); her zaman SMD'yi sayısal ve grafiksel olarak inceleyin.
Eğilim skoru eşleştirmesi ölçülmemiş karıştırıcıyı ele alabilir mi?
Hayır. PSM, ölçülen karıştırıcıların (veri topladığınız) yanlılığını azaltır. Ölçülmemiş karıştırıcılar (örneğin, hasta motivasyonu, ölçülmemiş hastalık şiddeti, gizli seçim mekanizmaları) kontrolsüz kalır. Sonuçların ölçülmemiş karıştırıcıya ne kadar duyarlı olduğunu değerlendirmek için duyarlılık analizi yapın (Rosenbaum sınırları: sonuçları değiştirmek için ne kadar güçlü bir ölçülmemiş karıştırıcı gerekir). Her zaman ölçülmemiş karıştırıcı sınırlamalarını tartışın. Ölçülmemiş karıştırıcı büyük bir endişe kaynağıysa, araç değişkenleri veya doğal deneyleri düşünün.
Kaynaklar
- Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. DOI: 10.1093/biomet/70.1.41 ↗
- Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424. DOI: 10.1080/00273171.2011.568786 ↗
- Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. DOI: 10.1037/h0037350 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 4). Propensity Score Matching and Weighting. ScholarGate. https://scholargate.app/tr/research-statistics/propensity-score-matching
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Çoklu Regresyon AnaliziAraştırma istatistiği↔ karşılaştır
- Hayatta Kalma AnaliziAraştırma istatistiği↔ karşılaştır