راهنماهمتاسازی با نمره تمایلویرایش ۱بهروزرسانی
تطبیق بر اساس امتیاز تمایل؛ سازوکار متوازنسازی دادههای مشاهدهای و چالشهای علّی آن
روش تطبیق بر اساس امتیاز تمایل به پژوهشگران اجازه میدهد با همگنسازی ویژگیهای مشاهدهشده در گروههای مداخله و کنترل، اثرهای علّی را در دادههای مشاهدهای برآورد کنند؛ تکنیکی که شرایط کارآزمایی تصادفی را شبیهسازی میکند، اما در برابر متغیرهای پنهان و مخدوشکننده آسیبپذیر است.
به قلم آزاده ابراهیمی
این خبر را به اشتراک بگذارید
بهطور خلاصه
- تطبیق بر اساس امتیاز تمایل دهها ویژگی پسزمینه را درون یک شاخص احتمالی خلاصه بین ۰٫۰۰ تا ۱٫۰۰ متراکم میکند.
- این تکنیک با جفت کردن افراد مشابه از دو گروه، شرایط مقایسهای نزدیک به کارآزماییهای تصادفی پدید میآورد.
- برخلاف کارآزماییهای بالینی تصادفی، این متد توانایی مهار متغیرهای مخدوشکننده ثبتنشده و پنهان را ندارد.
چالش تحلیل دادههای مشاهدهای
پژوهشگران در حوزههای علوم پزشکی، اقتصاد و علوم اجتماعی همواره در پی سنجش دقیق اثر علّی یک مداخله، دارو یا سیاستگذاری مشخص هستند. در این میان، کارآزماییهای بالینی تصادفیشده همواره بهعنوان استاندارد طلایی روششناسی تجربی شناخته میشوند.[1][9]
سازوکار کارآزمایی تصادفی بدینگونه است که مشارکتکنندگان صرفاً بر پایه شانس و بخت در دو گروه مداخله و کنترل دستهبندی میشوند. این تصادفیسازی دقیق تضمین میکند که تمامی متغیرهای زمینهای، چه آنهایی که سنجیده شدهاند و چه متغیرهای پنهان و نامشهود، بهطور متوازن و برابر میان هر دو گروه پخش شوند.[1][9]
از آنجا که گروهها در آغاز آزمایش از نظر آماری و در ابعاد کلی یکسان هستند، هرگونه تفاوت معنادار در برآیند نهایی را میتوان با اطمینان بالا به خود مداخله نسبت داد. با این حال، اجرای چنین آزمایشهای کنترلشدهای در جهان واقعی اغلب به دلیل موانع سفتوسخت اخلاقی یا چالشهای لجستیکی عملاً ناممکن است.[9][12]
برای نمونه، وادار کردن آزمودنیها به مصرف سیگار یا محروم ساختن عمدی بیماران قلبی از دریافت یک داروی حیاتی نقض آشکار اخلاق زیستی است. در مواجهه با چنین بنبستهایی، محققان ناچارند منحصراً به دادههای برآمده از دنیای مشاهدهای تکیه کنند.[10][12]
خطر سوگیری انتخاب در مطالعات
در پژوهشهای مشاهدهای، هیچ مداخلهای به شکل تصادفی میان افراد توزیع نمیشود؛ بلکه تصمیمهای فردی بیماران، صلاحدید پزشکان معالج و شرایط نابرابر اجتماعی و اقتصادی تعیینکننده دریافت مداخله هستند؛ روندی که خطای نظاممند یا سوگیری انتخاب را به دادهها تحمیل میکند.[10][11]
به علت وجود همین سوگیری انتخاب، دو گروه مداخله و کنترل حتی پیش از اعمال هرگونه مداخلهای، از اساس و در ویژگیهای زیربنایی با یکدیگر تفاوتهای چشمگیر دارند. بنابراین، اگر در پایان اختلافی در وضعیت بهبودی یا نتایج دیده شود، ممکن است ناشی از همان ویژگیهای پسزمینهای باشد و نه داروی تجویزشده.[9][11]
در ادبیات آمار، به این عوامل ناهمگون و پیشزمینهای «متغیرهای مخدوشکننده» میگویند. برای اینکه بتوان از دل دادههای خام مشاهدهای پیوندهای علّی استخراج کرد، محققان ناگزیرند راهکاری ریاضیاتی برای مهار این متغیرها بیابند و مقایسهای منصفانه، شبیه به کارآزماییهای تصادفی، بازسازی کنند.[9][11]
اگر مخدوشکنندهها تعدیل نشوند، هرگونه برآورد از اثر درمان با سوگیری شدیدی همراه بوده و از اعتبار علمی ساقط است. چالش بنیادین اما در نحوه تراز کردن و ایجاد توازن همزمان میان دهها ویژگی مختلف برای هزاران نفر آزمودنی نهفته است.[5][10]
تعریف ریاضیاتی امتیاز تمایل
برای گشودن گره این چالش آماری، دو دانشمند برجسته آمار، پاول روزنبام و دانلد روبین، راهحلی نوآورانه فرمولبندی کردند. آنها در سال ۱۹۸۳ مقالهای راهگشا در نشریه Biometrika منتشر کرده و سازوکار مفهومی «امتیاز تمایل» را بنیاد نهادند.[1][9][12]
روزنبام و روبین امتیاز تمایل را بهصورت احتمال شرطی تخصیص یک واحد به گروه مداخله، به شرط مجموعهای از متغیرهای کمکی مشاهدهشده در خط پایه، تعریف کردند؛ این عدد در واقع احتمال دقیق دریافت درمان بر اساس ویژگیهای ثبتشده فرد است.[1][9][14]
دکتر جیسون اس. هاکوس و دکتر راجر جی. لوئیس، از محققان برجسته علوم پزشکی، این مفهوم را چنین شرح میدهند: امتیاز تمایل در حقیقت نمایانگر شانس و احتمال دریافت مداخله مورد نظر توسط بیمار است، احتمالی که مبتنی بر ویژگیهای بالینی فرد، رویکرد پزشک معالج و زیرساختهای محیط درمانی محاسبه میشود.[8]
از نظر محاسباتی، این روش تمام ویژگیهای گوناگون پیشزمینه بیمار را درون یک کمیت عددی فشرده و خلاصه میکند. از آنجا که ماهیت این متغیر یک مقدار احتمال ریاضی است، همواره در بازه معین بین ۰٫۰۰ تا ۱٫۰۰ قرار میگیرد.[8][13]
مکانیسم و سازوکار تطبیق نمونهها
هنگامی که این امتیاز برای تکتک مشارکتکنندگان پژوهش محاسبه شد، زمینه برای اجرای الگوریتمهای «تطبیق بر اساس امتیاز تمایل» هموار میشود. در این روند، افراد گروه مداخله با آزمودنیهایی از گروه کنترل که کمترین فاصله امتیازی را با آنها دارند جفت میشوند تا یک نمونه تحلیلی شبیهسازیشده پدید آید.[10][12]
مقصد نهایی در فرایند جفتسازی، دستهبندی مشارکتکنندگانی است که شانس آنها برای دریافت مداخله در خط پایه تقریباً هماندازه بوده است؛ رویکردی که مرسومترین شیوه اجرای آن، جفتسازی یکبهیک میان افراد است.[5][13]
متخصصان آمار برای پیادهسازی این همسانسازی الگوریتمهای گوناگونی را به کار میگیرند. در این میان، الگوریتم نزدیکترین همسایه بیشترین کاربرد را دارد؛ روشی که در آن برای هر فرد در گروه مداخله، نزدیکترین فرد در گروه کنترل از دیدگاه عددی انتخاب میشود.[6][7]
اما این شیوه همواره بینقص عمل نمیکند؛ اگر نزدیکترین فرد در گروه کنترل تفاوت عددی قابلملاحظهای با آزمودنی گروه مداخله داشته باشد، تطبیقی نامطلوب و کمکیفیت شکل خواهد گرفت. برای پیشگیری از این خطا، محققان یک حد آستانه سختگیرانه ریاضی به نام کالیپر اعمال میکنند.[6][7]
الگوریتمهای پیشرفته جفتسازی
کالیپر در واقع مرزی مشخص برای پذیرش جفتها تعریف میکند و دامنه جستجو را به شعاع معینی از امتیاز تمایل محدود میسازد. در صورتی که هیچ سوژهای در گروه کنترل درون این محدوده مجاز یافت نشود، آزمودنی گروه مداخله بهکل از گردونه تحلیل نهایی کنار گذاشته میشود.[5][9]
اندازه مجاز این بازه یا کالیپر معمولاً مضربی از انحراف معیار امتیاز تمایل در جامعه آماری در نظر گرفته میشود. بر اساس استانداردهای پذیرفتهشده روششناسی، پهنایی معادل ۰٫۲۰ انحراف معیار بیشترین بهینگی را در کاهش واریانس و خطای جفتسازی پدید میآورد.[5][9]
افزون بر این، روشهای پیشرفتهتری نظیر تطبیق شعاعی نیز طراحی شدهاند که به جای محدود ماندن به یک فرد، تمامی نمونههای کنترل موجود در شعاع معین را به کار میگیرند؛ حرکتی که با حفظ حجم بالاتری از دادهها، توان آماری برآوردها را افزایش میدهد.[9]
الگوریتم تطبیق کرنل گزینه پیچیده دیگری است که در اختیار تحلیلگران قرار دارد. در این شیوه، مشاهدات گروه کنترل بر اساس فاصله عددی دقیق آنها با امتیاز تمایل واحد تحت مداخله، با استفاده از توابع ریاضیاتی وزندهی میشوند.[9]
سنجش توازن متغیرهای کمکی
پس از پایان یافتن عملیات تطبیق، مهمترین گام اعتبارسنجی توازن متغیرهای کمکی است. هدف این مرحله اطمینان از همگنی واقعی و یکپارچگی مشخصههای پیشزمینه میان دو گروه مورد مقایسه است.[5][14]
در گذشته، گروهی از پژوهشگران برای بررسی توازن به آزمونهای معناداری سنتی مانند آزمون تی متکی بودند. با این وجود، شیوهنامههای روششناسی مدرن این رویکرد را منع میکنند، چرا که مقادیر پی شدیداً تحت تأثیر حجم نمونه نهایی در کوهورت تطبیقیافته تغییر میکنند.[5][6]
در حال حاضر، «تفاوت میانگین استانداردشده» بهعنوان مطمئنترین و استانداردترین سنجه جهت ارزیابی توازن متغیرهای کمکی به شمار میآید. مزیت این معیار در این است که دامنه اختلاف میان دو گروه را بدون وابستگی به حجم نمونه اندازهگیری میکند.[5][8]
هرچند مرز مطلقی در این زمینه وجود ندارد، اما بر اساس یک توافق نانوشته در تحلیلهای آماری، اگر تفاوت میانگین استانداردشده کمتر از ۰٫۱۰ باشد، عدم توازن ناچیز و قابلچشمپوشی تلقی میشود. مقادیر فراتر از این آستانه، نشانهای هشداردهنده از باقی ماندن سوگیری ناشی از مخدوشکنندهها هستند.[8]
مقادیر فراتر از این آستانه، نشانهای هشداردهنده از باقی ماندن سوگیری ناشی از مخدوشکنندهها هستند.
معمای متغیرهای مخدوشکننده پنهان
روش تطبیق امتیاز تمایل علیرغم کاربرد گستردهاش در رشتههای گوناگون علمی، با یک بنبست ذاتی روبهرو است: این تکنیک تنها قادر است متغیرهایی را متعادل سازد که پژوهشگر پیشتر آنها را در پرسشنامهها یا سامانهها گردآوری و ثبت کرده باشد.[1][5]
روزنبام و روبین در اثر ماندگار سال ۱۹۸۳ خود شفاف ساختند که این الگوریتم تنها در صورتی برآوردهای نااریب ارائه میدهد که فرضیه «نادیدهانگاری قوی» برقرار باشد؛ فرضی که شرط آن سنجش و ثبت دقیق تمام متغیرهای اثرگذار بر مداخله و پیامد است.[1][5]
بر خلاف کارآزماییهای تصادفی میدانی که به مدد قرعهکشی و شانس هم عوامل شناختهشده و هم ناشناختهها را توزیع میکنند، تطبیق امتیاز تمایل توانایی مهار متغیرهای پنهان و سنجیدهنشده را ندارد و در برابر دادههای غایب کاملاً نابینا است.[8][12]
اگر عاملی تعیینکننده بر پیامد سلامت بیمار مؤثر باشد اما در مجموعه دادهها درج نشده باشد، نتایج تحلیل تطبیقی همچنان آلوده به سوگیری خواهد بود. برای مدیریت این نااطمینانی، محققان متعهد نتایج را از طریق تحلیلهای حساسیت سنجش میکنند تا پایداری ادعاهای علّی آزموده شود.[5][10]
نقدها و چالشهای متدولوژی تطبیق
در سالهای اخیر، کاربرد روتین تطبیق امتیاز تمایل زیر تیغ نقدهای متدولوژیک عمیقی رفته است. بخشی از جامعه آماردانان معتقدند این شیوه در رویکرد استاندارد خود دچار ایرادهای بنیادی است و ممکن است به بیراهه برود.[2][7]
نقطه عطف این نقدها در سال ۲۰۱۹ با انتشار مقاله بحثبرانگیز گری کینگ و ریچارد نیلسن در نشریه Political Analysis رقم خورد. نویسندگان این مقاله علمی با صراحت این فرضیه را مطرح کردند که امتیاز تمایل اصولاً نباید برای جفتسازی نمونهها استفاده شود.[2]
کینگ و نیلسن به پشتوانه اثباتهای ریاضی و تحلیل دادههای تجربی نشان دادند که این روش در عمل میتواند به تشدید عدم توازن دادهها بینجامد و مدل را نسبت به فرضیات آسیبپذیرتر و ناکارآمدتر کند.[2]
فشردن دهها متغیر زمینهای ناهمگن درون یک امتیاز احتمالی واحد میتواند افرادی را به اشتباه همتای یکدیگر قرار دهد که شانس برابری برای درمان دارند، اما مشخصات بیولوژیکی و رفتاری آنها از بن با هم متفاوت است؛ منتقدان به جای آن روشهای سنجش فاصله چندمتغیره را پیشنهاد میدهند.[2][7]
وزندهی معکوس احتمال درمان
به دنبال چالشها و انتقادهای نظری درباره تطبیق جفتی، روششناسان مسیرهای جایگزینی پیشنهاد کردهاند که ضمن استفاده از منطق امتیاز تمایل، کل دادههای موجود را بدون دور ریختن هیچ نمونهای حفظ میکنند.[3][5]
«وزندهی معکوس احتمال درمان» یکی از معتبرترین و پرکاربردترین این جایگزینهاست. این تکنیک آماری بر مبنای امتیاز تمایل محاسبهشده، به هر آزمودنی در مجموعه دادهها وزنی تحلیلی اختصاص میدهد.[3][5]
در این اسلوب، وزن آماری هر فرد دقیقاً معکوس احتمال قرار گرفتن او در همان وضعیتی است که در عمل تجربه کرده است؛ فرمولی که ساختار آن مشابه روشهای وزندهی در نظرسنجیهای میدانی سراسری است.[5][8]
با اعمال این وزنهای معکوس، یک جامعه نمونه فرضی و متوازن شکل میگیرد. در این ساختار نوظهور، توزیع متغیرهای زمینهای از متغیر مداخله مستقل میشود و بدین ترتیب اثر سوگیری انتخاب اولیه خنثی خواهد شد.[5]
رویکرد لایهبندی و طبقهبندی دادهها
راهکار اثباتشده دیگر «طبقهبندی» است که جامعه مورد بررسی را به چند گروه مجزا و بدون همپوشانی افراز میکند. این زیرگروهها یا طبقهها، منحصراً بر پایه توزیع امتیاز تمایل افراد و نه متغیرهای تکتک آنها ترسیم میشوند.[5][8]
در الگوی کلاسیک، نمونه پژوهش بر مبنای پنجکهای امتیاز تمایل به پنج طبقه کاملاً مساوی تقسیم میشود؛ به نحوی که درون هر طبقه دقیقاً بیست درصد از حجم کل مشاهدات جای میگیرند.[5][8]
سپس اثر درمانی در درون هر یک از این پنج طبقه بهطور مستقل و مجزا برآورد میشود. از آنجا که آزمودنیها در هر طبقه دارای امتیازهای تمایل بسیار نزدیکی هستند، خطای سوگیری در مقایسههای درونگروهی به حداقل ممکن میرسد.[5][8]
در نهایت، اثرات برآوردشده در پنج طبقه با فرمولهای آماری ترکیب میشوند تا نتیجه کلی به دست آید؛ چارچوبی که مانع از تخریب تحلیل بر اثر مشاهدات پرت و ناهمخوان میشود.[8]
کاربردهای بالینی در نظام سلامت
با وجود تمامی مباحثات نظری پیرامون معایب و مزایا، متدهای مبتنی بر امتیاز تمایل به ابزاری فراگیر در اپیدمیولوژی و مطالعات سلامت بدل شدهاند و نقشی گرهگشا در کار با کلاندادههای پروندههای سلامت الکترونیک ایفا میکنند.[8][13]
در نمونهای عینی، محققان دانشگاه تورنتو با استفاده از همین شیوه تطبیق، پیامدهای مشاوره ترک سیگار را بر بقای بیماران سکته قلبی در یک دوره پیگیری سهساله بررسی کردند.[13]
تیم تحقیقاتی با دخالت دادن ۳۳ متغیر بالینی در ۶ دسته پزشکی مختلف و متوازنسازی نشانههای حیاتی و اطلاعات دموگرافیک، دریافتکنندگان مشاوره را با افراد مشابهی که مشاورهای دریافت نکرده بودند مقایسه کردند.[13]
در پژوهش شاخص دیگری که در ژورنال انجمن پزشکی آمریکا (JAMA) منتشر شد، دادههای برنامه بیمه درمانی مدیکید مربوط به ۳ میلیون و ۷۸۹ هزار و ۳۳۰ زن باردار واکاوی شد؛ محققان از طریق طبقهبندی امتیاز تمایل توانستند متغیرهای مخدوشکننده را در میان ۱۲۸ هزار و ۹۵۰ زنی که داروهای ضدافسردگی مصرف میکردند خنثی کنند.[8]
تعدیل متغیرها در بستر رگرسیون
علاوه بر تکنیکهای جفتسازی، وزندهی و طبقهبندی، میتوان امتیاز تمایل را به منزله یک متغیر وارد معادلات رگرسیون کرد؛ رویکردی که تحت عنوان «تعدیل متغیرهای کمکی با امتیاز تمایل» شناخته میشود.[5][8]
در این روش، یک مدل رگرسیون چندمتغیره برای پیشبینی پیامد نهایی سلامت ایجاد میشود که در آن وضعیت دریافت درمان و مقدار پیوسته امتیاز تمایل در نقش متغیرهای مستقل کلیدی عمل میکنند.[5][8]
این الگوریتم به محقق اجازه میدهد پیامد بیماری را ارزیابی کند در حالی که احتمال ریاضیاتی دریافت درمان از لحاظ آماری تعدیل شده است؛ رویکردی که اثر تمامی متغیرهای فشردهشده در امتیاز را کنترل میکند.[8]
با وجود سرعت و سادگی محاسباتی، رویکرد تعدیل رگرسیونی بهشدت وابسته به درستی فرضیات درباره شکل خطی یا غیرخطی رابطه میان امتیاز تمایل و پیامد نهایی است؛ اگر شکل این تابع اشتباه تعیین شود، نتیجه بهدستآمده تورش خواهد داشت.[5]
افقهای نوین و یادگیری ماشین
با رشد انفجاری دادههای سلامت و رفتاری، مدلهای سنتی رگرسیون لجستیک برای برازش امتیاز تمایل با ابزارهای نوین یادگیری ماشین جایگزین میشوند.[5][11]
کارشناسان داده امروزه الگوریتمهای ناپارامتریک مانند جنگلهای تصادفی، تقویت گرادیان و شبکههای عصبی عمیق را به کار میگیرند تا الگوهای رفتاری پیچیده و روابط غیرخطی میان متغیرها را با دقت بالاتری مدلسازی کنند.[5][11]
مقایسه
| روش | سازوکار | حفظ دادهها | آسیبپذیری اصلی |
|---|---|---|---|
| همتاسازی با نمره تمایل | جفتکردن افراد تحت درمان و بدون درمان با نمرات مشابه | اغلب آزمودنیهای شاهد جفتنشده را حذف میکند | در صورت تصریح نادرست مدل میتواند عدمتعادل را افزایش دهد |
| وزندهی معکوس احتمال درمان (IPTW) | تخصیص وزنهای آماری بر پایه عکس احتمال درمان | حفظ ۱۰۰٪ نمونه اصلی | حساسیت بسیار بالا به وزنهای فرین نزدیک به ۰٫۰۰ یا ۱٫۰۰ |
| طبقهبندی | تقسیم نمونه به پنجکهای با اندازه برابر بر اساس نمرات | حفظ ۱۰۰٪ نمونه اصلی | احتمال باقی ماندن عوامل مخدوشکننده در هر طبقه گسترده |
| تعدیل متغیرهای کمکی | بهکارگیری نمره به عنوان متغیر پیشبین پیوسته در مدل رگرسیون | حفظ ۱۰۰٪ نمونه اصلی | اتکای شدید به تصریح صحیح مدل پیامد |
اصطلاحات کلیدی
- امتیاز تمایل (Propensity Score)
- احتمال شرطی دریافت یک مداخله مشخص توسط فرد، با توجه به متغیرهای مشاهدهشده پیشزمینه در خط پایه.
- متغیر مخدوشکننده (Confounding Variable)
- عامل بیرونی همزمان اثرگذار بر تمایل به دریافت مداخله و پیامد نهایی که در صورت مهار نشدن، روابط علّی را مخدوش میکند.
- سوگیری انتخاب (Selection Bias)
- خطای نظاممندی که از تفاوت اولیه و ساختاری میان گروههای مداخله و شاهد ناشی میشود.
- تفاوت میانگین استانداردشده (Standardized Mean Difference)
- شاخصی مستقل از حجم نمونه برای سنجش توازن متغیرهای کمکی، از طریق تقسیم تفاضل میانگینها بر انحراف معیار ادغامشده.
- کالیپر (Caliper)
- حد آستانه و سقف فاصله مجاز میان امتیازهای دو نمونه در فرایند جفتسازی که مانع تطبیقهای نامناسب میشود.
پرسشهای متداول
هدف اصلی از روش تطبیق بر اساس امتیاز تمایل چیست؟
این روش با متعادل ساختن توزیع متغیرهای ثبتشده میان دو گروه مداخله و کنترل، اثر سوگیری انتخاب در دادههای مشاهدهای را کاهش داده و شرایطی شبیه به کارآزماییهای تصادفی پدید میآورد.
آیا این شیوه متغیرهای پنهان و ثبتنشده را نیز مهار میکند؟
خیر؛ برخلاف کارآزماییهای بالینی تصادفی، متدهای مبتنی بر امتیاز تمایل فقط در خصوص متغیرهایی کارآمد هستند که در دادهها اندازهگیری و لحاظ شده باشند و در برابر مخدوشکنندههای ثبتنشده کاملاً آسیبپذیرند.
مفهوم کالیپر در این الگوریتمها چیست؟
کالیپر بیشترین فاصله عددی مجاز میان امتیاز تمایل دو نمونه است (معمولاً معادل ۰٫۲۰ انحراف معیار) که از انجام جفتسازیهای بیکیفیت میان دادههای دور از هم جلوگیری میکند.
چرا برخی آماردانان با تطبیق امتیاز تمایل مخالفت میورزند؟
منتقدان استدلال میکنند که تلخیص دهها متغیر در قالب یک عدد احتمال، میتواند ناهمگونیهای پنهان دادهها را تشدید کند و به جای آن باید مستقیماً از متریکهای فاصله چندمتغیره استفاده کرد.
بررسی عمیق دیدگاهها
رویکرد کلاسیک روششناسی
تطبیق بر اساس امتیاز تمایل را ابزاری استاندارد و کاربردی برای کاهش سوگیری در دادههای مشاهدهای میداند.
مدافعان سنتی استدلال میکنند که این تکنیک یکی از شفافترین شیوهها برای شبیهسازی کارآزمایی تصادفی است. خلاصه کردن ابعاد گوناگون در یک امتیاز احتمالی، درک سازوکار تحلیل را تسهیل کرده و تفسیر علّی را بهبود میبخشد، مشروط بر اینکه ارزیابیهای توازن بهویژه حفظ تفاوت میانگین استانداردشده زیر ۰٫۱۰ بادقت لحاظ شود.
دیدگاه منتقدان استنتاج علّی
فشردهسازی اطلاعات در یک عدد را موجب تشدید خطای تطبیق دانسته و متریکهای فاصله چندمتغیره را پیشنهاد میکند.
منتقدانی چون گری کینگ و ریچارد نیلسن معتقدند تبدیل ویژگیهای چندبعدی به یک عدد یکبعدی خطایی روششناختی است. آنها نشان دادهاند که این شیوه به جای تقریب طرحهای بلوکی کارآمد، به ناهمگونیهای پنهان دامن میزند؛ بنابراین استفاده از معیارهای فاصله چندمتغیره مانند فاصله ماهالانوبیس یا تطبیق دقیق دستهبندیشده را بسیار برتر میدانند.
چه چیزی تغییر کرد
- · ویرایش ۱منتشر شد.
- رویکرد کلاسیک روششناسی
- تطبیق بر اساس امتیاز تمایل را راهکاری استاندارد، قابلفهم و مؤثر برای مهار سوگیری انتخاب در تحلیل دادههای مشاهدهای قلمداد میکند.
- دیدگاه منتقدان استنتاج علّی
- باور دارد فشردهسازی اطلاعات در یک عدد توازن دادهها را مختل میکند و باید از شاخصهای فاصله چندمتغیره بهره جست.
- پژوهشگران علوم کاربردی
- تمرکز خود را بر ارزیابیهای دقیق تجربی، اعتبارسنجی توازن و سنجش حساسیت گذاشته و فراتر از مناقشات انتزاعی به نتایج بالینی مینگرند.
دیدگاههایی که این گزارش پوشش نداده
- متخصصان یادگیری ماشین و علم داده
- بیماران و مشارکتکنندگان در مطالعات بالینی
منابع
[1]Biometrikaرویکرد کلاسیک روششناسیThe central role of the propensity score in observational studies for causal effects
مطالعه در Biometrika →
[2]Political Analysisدیدگاه منتقدان استنتاج علّیWhy Propensity Scores Should Not Be Used for Matching
مطالعه در Political Analysis →
[3]The BMJرویکرد کلاسیک روششناسیAlternative approaches for confounding adjustment in observational studies using weighting based on the propensity score: a primer for practitioners
مطالعه در The BMJ →
[4]Statistical Scienceدیدگاه منتقدان استنتاج علّیMatching Methods for Causal Inference: A Review and a Look Forward
مطالعه در Statistical Science →
[5]PubMed Centralرویکرد کلاسیک روششناسیAn Introduction to Propensity Score Methods for Reducing the Effects of Confounding in Observational Studies
مطالعه در PubMed Central →
[6]Journal of Economic Surveysپژوهشگران علوم کاربردیSome Practical Guidance for the Implementation of Propensity Score Matching
مطالعه در Journal of Economic Surveys →
[7]Comprehensive R Archive Networkپژوهشگران علوم کاربردیMatching Methods
مطالعه در Comprehensive R Archive Network →
[8]PubMed Centralرویکرد کلاسیک روششناسیThe Propensity Score
مطالعه در PubMed Central →
[9]WikipediaPropensity score matching
مطالعه در Wikipedia →
[10]DataCampWhat is a Propensity Score?
مطالعه در DataCamp →
[11]Built InA Beginner's Guide to Propensity Score Matching
مطالعه در Built In →
[12]QuestionProPropensity score matching: What it is & how to use it
مطالعه در QuestionPro →
[13]USF Health Onlineپژوهشگران علوم کاربردیWhat is Propensity Score Matching?
مطالعه در USF Health Online →
[14]GeeksforGeeksPropensity Score Matching
مطالعه در GeeksforGeeks →
[15]تیم سردبیری کوهستانتحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
بیشتر در تحلیل داده
مشاهده همه →استنتاج علّی
مکانیسم تطبیق نمره تمایل: چگونه مطالعات مشاهدهای، کارآزماییهای کنترلشده تصادفی را شبیهسازی میکنند
8 منبع
بوتاسترپ بلوکی
چگونه بوتاسترپ بلوکی با پنجره متحرک خودهمبستگی را در سریهای زمانی حفظ میکند
5 منبع
دادههای طولی
تفکیک مسیر فردی از تفاوتهای پایه در دادههای پانل با مدلهای خطی آمیخته
9 منبع
یادگیری ماشین
چرا انتخاب ویژگی پیش از اعتبارسنجی متقاطع دادهها را لو میدهد و روی نوفه خالص دقت کاذب میسازد؟
6 منبع
نظرات
هر زاویه. هر روز.
اخبار تحلیل داده با پوشش کامل منابع و تحلیل دیدگاهها، هر روز و رایگان.





