傾向スコア・マッチング

観察研究での交絡変数の効果を制御するために2つの異なる群の参加者を照合するためには、この機能を使用する。

傾向スコア・マッチングとは何か?

傾向スコア(propensity score)は、交絡因子として知られるいくつかの変数が与えられた場合、参加者が2つの群のうちの1つに属する確率として定義される。傾向スコア・マッチングは、観察研究でこれらの交絡変数に関連するバイアスの可能性を低減しようとする手法である。

XLSTATでの傾向スコア・マッチング・オプション

傾向スコアが推定されると、処置群の各参加者は、対照群の最も類似した参加者に合致する(Rosenbaum P. R.(1989))。 距離行列は、治療群と対照群との間で計算される。 XLSTATの実装では2つのメトリックが提案されている: ユークリッド距離およびマハラノビス距離。

XLSTATでは、貪欲アルゴリズムと最適アルゴリズムの2つのアルゴリズムが使用できる。 これらのアルゴリズムの両方を用いて、処置群の各参加者を対照群の1人の参加者、対照群の特定の数の参加者または対照群のすべての参加者に適合させることが可能である。

XLSTATでの傾向スコア・マッチングの結果

帰無仮説の検定: H0仮説は、説明変数の値が何であれ確率p0 を与える独立モデルに対応する。我々は、修正済みモデルがこのモデルよりも有意に強力であるかを確認しようとする。

Type II 分析: 複数の説明変数がある場合にのみ、この表は有用である。ここで、修正済みモデルは、問題の表の行の変数が除去されたテスト・モデルに対してテストされる。

傾向スコアの表は、2つの群の各参加者で計算された傾向スコアを与える。傾向スコアのロジットの値も与えられる。これは各参加者間の距離を計算するために使用され値である。 

距離行列も表示され、計算されたすべての距離の一般的な表示を与える。処置群の参加者が行で、対照群の参加者が列である。マッチする対の距離が太字で表示される。

ROC 曲線: ROC曲線は、曲線の下の面積(AUC)を用いてモデルの性能を評価し、複数のモデルを一緒に比較するために使用される(詳細は解説を参照)。