ช่วงความเชื่อมั่นสำหรับผลการรักษาโดยเฉลี่ยจากน้ำหนักคะแนนความชอบ?

ฉันพยายามที่จะประเมินผลการรักษาโดยเฉลี่ยจากข้อมูลการสังเกตโดยใช้น้ำหนักคะแนนความชอบ (โดยเฉพาะ IPTW) ฉันคิดว่าฉันคำนวณ ATE อย่างถูกต้อง แต่ฉันไม่ทราบวิธีคำนวณช่วงความมั่นใจของ ATE ในขณะที่คำนึงถึงน้ำหนักความชอบแบบผกผัน

นี่คือสมการที่ฉันใช้ในการคำนวณผลการรักษาโดยเฉลี่ย (อ้างอิง Med Med. 10 ก.ย. 2010; 29 (20): 2137–2148): โดยที่จำนวนวิชาทั้งหมด,สถานะการรักษา,สถานะผลลัพธ์และคะแนนความชอบ

A T E = \frac{1}{ยังไม่มีข้อความ} Σ_{1}^{ยังไม่มีข้อความ} \frac{Z_{ผม} Y_{ผม}}{{พี}_{ผม}} - \frac{1}{ยังไม่มีข้อความ} Σ_{1}^{ยังไม่มีข้อความ} \frac{(1 - Z_{ผม}) Y_{ผม}}{1 - {พี}_{ผม}}

$ATE=\frac1N\sum_1^N\frac{Z_iY_i}{p_i}-\frac1N\sum_1^N\frac{(1-Z_i)Y_i}{1-p_i}$

N =

$N=$

Z_{i} =

$Z_i=$

Y_{i} =

$Y_i=$

p_{i} =

$p_i=$

ไม่มีใครทราบแพ็คเกจ R ที่จะคำนวณช่วงความมั่นใจของผลการรักษาโดยเฉลี่ยโดยคำนึงถึงน้ำหนักหรือไม่ สามารถระบุsurveyความช่วยเหลือในแพคเกจที่นี่? ฉันสงสัยว่าสิ่งนี้จะได้ผลหรือไม่:

library(survey)
sampsvy=svydesign(id=~1,weights=~iptw,data=df)
svyby(~surgery=='lump',~treatment,design=sampsvy,svyciprop,vartype='ci',method='beta')

#which produces this result:
  treatment surgery == "lump"      ci_l      ci_u
   No         0.1644043 0.1480568 0.1817876
   Yes         0.2433215 0.2262039 0.2610724

ฉันไม่รู้ว่าจะไปจากที่นี่เพื่อหาช่วงความมั่นใจของความแตกต่างระหว่างสัดส่วน (เช่นผลการรักษาโดยเฉลี่ย)

— JJM
แหล่งที่มา

ฉันไม่สามารถตอบได้โดยเฉพาะ แต่หนังสือ "แบบสำรวจที่ซับซ้อน: คำแนะนำในการวิเคราะห์โดยใช้ R" โดยผู้เขียนแพ็คเกจสำรวจครอบคลุม IPTW และอาจช่วยได้ books.google.co.th/…

— kaz_yos

คุณไม่ต้องการsurveyแพ็คเกจหรืออะไรที่ซับซ้อน Wooldridge (2010, หน้า 920 เป็นต้นไป) "การวิเคราะห์เศรษฐมิติของข้อมูลส่วนและข้อมูลพาเนล" มีขั้นตอนง่าย ๆ ที่คุณสามารถรับข้อผิดพลาดมาตรฐานเพื่อสร้างช่วงความมั่นใจ

ภายใต้สมมติฐานที่ว่าคุณได้ระบุคะแนนความชอบที่ถูกต้องซึ่งเราแสดงว่าเป็นให้กำหนดคะแนนจากการประมาณคะแนนความชอบ (เช่นการบันทึกครั้งแรกหรือการถดถอยแบบโปรบิต ) ตามที่ และให้ ตามที่คุณมีในนิพจน์ข้างต้น จากนั้นนำตัวอย่างแอนะล็อกของทั้งสองนิพจน์และถดถอยบน $p(\textbf{x}_i,\textbf{$\gamma$})$

d_{ผม} = \frac{\nabla_{γ} พี (x_{ผม}, γ)^{'} [Z_{ผม} - พี (x_{ผม}, γ)]}{พี (x_{ผม}, γ) [1 - พี (x_{ผม}, γ)]}

$\textbf{d}_i = \frac{\nabla_\gamma p(\textbf{x}_i,\textbf{$\gamma$})'[Z_i-p(\textbf{x}_i,\textbf{$\gamma$})]}{p(\textbf{x}_i,\textbf{$\gamma$}){[1-p(\textbf{x}_i,\textbf{$\gamma$})]}}$

{ATE}_{ผม} = \frac{[Z_{ผม} - พี (x_{ผม}, γ)] Y_{ผม}}{พี (x_{ผม}, γ) [1 - พี (x_{ผม}, γ)]}

$\text{ATE}_i = \frac{[Z_i-p(\textbf{x}_i,\textbf{$\gamma$})]Y_i}{p(\textbf{x}_i,\textbf{$\gamma$}){[1-p(\textbf{x}_i,\textbf{$\gamma$})]}}$

{\hat{ATE}}_{i}

$\widehat{\text{ATE}}_i$

{\hat{d}}_{i}

$\widehat{\textbf{d}}_i$ . ตรวจสอบให้แน่ใจว่าคุณมีการสกัดกั้นในการถดถอยนี้ ให้เป็นส่วนที่เหลือจากการถดถอยนั้นแล้วความแปรปรวนของ asymptoticเป็นเพียง(e_i) ดังนั้นข้อผิดพลาดมาตรฐานแบบอะซิมโทติคของ ATE ของคุณคือ

e_{i}

$e_i$

\sqrt{N} (\hat{ATE} - ATE)

$\sqrt{N}(\widehat{\text{ATE}} - \text{ATE})$

Var (e_{i})

$\text{Var}(e_i)$

\frac{{[\frac{1}{ยังไม่มีข้อความ} Σ_{ผม = 1}^{ยังไม่มีข้อความ} {อี}_{ผม}^{2}]}^{\frac{1}{2}}}{\sqrt{ยังไม่มีข้อความ}}

$\frac{\left[ \frac{1}{N}\sum^N_{i=1}e_i^2 \right]^{\frac{1}{2}}}{\sqrt{N}}$

จากนั้นคุณสามารถคำนวณช่วงความมั่นใจในวิธีปกติ (ดูตัวอย่างความคิดเห็นต่อคำตอบที่นี่สำหรับตัวอย่างโค้ด) คุณไม่จำเป็นต้องปรับช่วงความเชื่อมั่นอีกครั้งสำหรับน้ำหนักคะแนนความชอบแบบผกผันเนื่องจากขั้นตอนนี้รวมอยู่ในการคำนวณข้อผิดพลาดมาตรฐานแล้ว

น่าเสียดายที่ฉันไม่ใช่คนอาร์ดังนั้นฉันจึงไม่สามารถให้รหัสเฉพาะกับคุณได้ แต่ขั้นตอนที่ระบุไว้ข้างต้นควรตรงไปตรงมาเพื่อติดตาม นี่คือวิธีที่treatrewคำสั่งใน Stata ทำงานเช่นกัน คำสั่งนี้จะถูกเขียนและนำมาใช้ใน Stata วารสารโดยCerulli (2014) หากคุณไม่มีสิทธิ์เข้าถึงบทความคุณสามารถตรวจสอบสไลด์ของเขาซึ่งระบุขั้นตอนการคำนวณข้อผิดพลาดมาตรฐานจากการให้น้ำหนักคะแนนความชอบแบบผกผัน ที่นั่นเขายังกล่าวถึงความแตกต่างทางความคิดเล็กน้อยระหว่างการประเมินคะแนนความชอบผ่าน logit หรือ probit แต่เพื่อประโยชน์ของคำตอบนี้มันไม่สำคัญเกินไปดังนั้นฉันจึงละเว้นส่วนนี้

— แอนดี้
แหล่งที่มา