ارزیابی تعادل

تعادل همسایه درجه ای است که توزیع متغیرهای متغیر در سطح درمان مشابه است. این سه نقش اصلی در برآورد اثر علیت با استفاده از تطبیق دارد: 1) به عنوان هدف برای بهینه سازی با تطبیق ، 2) به عنوان روشی برای ارزیابی کیفیت مسابقات حاصل ، و 3) به عنوان شواهدی برای مخاطب که اثر تخمین زده شده نزدیک استبه اثر واقعیهنگامی که تعادل متغیر به دست می آید ، برآورد اثر حاصل نسبت به غلط گیری مدل و در حالت ایده آل نزدیک به اثر درمانی واقعی حساسیت کمتری دارد. فواید تصادفی این است که تعادل متغیر به طور خودکار (در انتظار) حاصل می شود ، به همین دلیل اثرات غیر قابل تنظیم تخمین زده شده از داده های آزمایشی تصادفی (در صورت عدم ترک تحصیل) می تواند به طور معتبر به عنوان اثرات علّی تعبیر شود. هنگام استفاده از تطبیق برای بازیابی اثر علیت ، داده های مشاهده ای فرم ، تعادل تضمین نمی شود و باید ارزیابی شود.

این سند دستورالعمل هایی را برای ارزیابی و گزارش تعادل متغیر به عنوان بخشی از تجزیه و تحلیل تطبیق ارائه می دهد. از ابزارهای موجود در Matchit برای ارزیابی تعادل باید در طی فرایند انتخاب یک طرح تطبیق خوب و اطمینان از کافی طرح انتخاب شده استفاده شود. این ابزارها توصیه های هو و همکاران را پیاده سازی می کنند.(2007) و دیگران برای ارزیابی تعادل.

علاوه بر ابزارهای موجود در Cattratit ، بسته کبالت دارای مجموعه ای از توابع است که برای ارزیابی و نمایش تعادل طراحی شده و مستقیماً با اشیاء Matchit سازگار است. کبالت مستندات گسترده ای دارد ، اما ما برخی از عملکردهای آن را در اینجا به عنوان مکمل ابزارهای موجود در Matchit توصیف می کنیم.

ساختار این سند به شرح زیر است: اول ، ما برخی از توصیه های مربوط به بررسی تعادل و دلیل منطقی آنها را شرح می دهیم. در مرحله بعد ، ما ابزارهای ارزیابی تعادل موجود در Matchit را توصیف می کنیم و استفاده از آنها را در ارزیابی چندین طرح تطبیق نشان می دهیم. سرانجام؛ما به طور خلاصه برخی از عملکردهای کبالت را برای گسترش آن در Matchit شرح می دهیم.

توصیه هایی برای ارزیابی تعادل

ارزیابی تعادل شامل ارزیابی اینکه آیا توزیع متغیرهای متغیر بین گروههای تحت درمان و کنترل مشابه است. تعادل به طور معمول با بررسی آمار خلاصه تعادل یک متغیره برای هر متغیرهای متغیرها ارزیابی می شود ، اگرچه روشهای پیچیده تری برای ارزیابی تعادل توزیع مشترک نیز وجود دارد. تصاویر بصری تعادل توزیع می تواند یک مکمل مفید برای خلاصه های عددی باشد ، به خصوص برای تعادل سخت و متغیرهای مهم پیش آگهی.

بسیاری از توصیه ها برای ارزیابی تعادل در ادبیات روش شناختی شرح داده شده است. متأسفانه ، هیچ بهترین روش برای ارزیابی تعادل یا وزن گیری آمار خلاصه تعادل وجود ندارد زیرا درجه و شکل تعادل که کمترین تعصب را در یک برآورد اثر به همراه خواهد داشت ، به خصوصیات ناشناخته مدل تولید داده نتیجه بستگی دارد. با این وجود ، تعدادی از توصیه های ارزشمند وجود دارد که می تواند برای اطمینان از موفقیت در از بین بردن یا کاهش تعصب انجام شود. ما برخی از این موارد را در اینجا مرور می کنیم.

توصیه های مشترک برای ارزیابی تعادل شامل موارد زیر است:

اختلاف متوسط استاندارد. میانگین اختلاف استاندارد (SMD) تفاوت در میانگین هر همبستگی بین گروههای درمانی که توسط یک فاکتور استاندارد سازی استاندارد شده است به گونه ای است که برای همه متغیرها در همان مقیاس قرار دارد. ضریب استاندارد سازی به طور معمول انحراف استاندارد متغیرهای متغیر در گروه تحت درمان با هدف قرار دادن ATT یا انحراف استاندارد در هر دو گروه هنگام هدف قرار دادن ATE است. فاکتور استاندارد سازی باید قبل و بعد از تطبیق یکسان باشد تا اطمینان حاصل شود که تغییرات در میانگین اختلاف با تغییر در انحراف استاندارد متغیرهای متغیر اشتباه نمی شود. SMD نزدیک به صفر نشانگر تعادل خوب است. چندین آستانه توصیه شده در ادبیات منتشر شده است. ما . 1 و . 05 را برای متغیرهای مهم پیش آگهی توصیه می کنیم. مقادیر بالاتر ممکن است هنگام استفاده از تنظیم متغیر در نمونه همسان قابل قبول باشد. علاوه بر محاسبه SMD ها بر روی متغیرهای متغیر ، مهم است که آنها را بر روی مربع ها ، مکعب ها و نمایندگان بالاتر و همچنین تعامل بین متغیرها محاسبه کنید. چندین مطالعه تجربی ، مناسب بودن استفاده از SMD در ارزیابی تعادل ، از جمله Belitser و همکاران را بررسی کرده اند.(2011) ، علی و همکاران.(2014) ، و استوارت ، لی و لسی (2013) ؛به طور کلی ، غالباً بین میانگین یا حداکثر SMD مطلق و میزان تعصب در اثر درمانی ارتباط زیادی وجود دارد.

نسبت واریانس. نسبت واریانس نسبت واریانس یک همبستگی در یک گروه به گروه دیگر است. نسبت واریانس نزدیک به 1 نشان دهنده تعادل خوب است زیرا دلالت بر واریانس نمونه ها مشابه دارند (آستین 2009).

آمار CDF تجربی. آمار مربوط به تفاوت در توابع چگالی تجربی تجربی (ECDF) هر متغیر بین گروه ها ، ارزیابی عدم تعادل را در کل توزیع همبستگی آن متغیر متغیر و نه فقط میانگین یا واریانس آن فراهم می کند. حداکثر اختلاف ECDF ، همچنین به عنوان آماری Kolmogorov-Smiov شناخته می شود ، گاهی اوقات به عنوان یک مکمل مفید برای SMDS برای ارزیابی تعادل توصیه می شود (آستین و استوارت 2015) و اغلب به عنوان معیار برای استفاده در روشهای نمره تمایل که سعی در بهینه سازی تعادل دارند استفاده می شود.(به عنوان مثال ، مک کافری ، ریودوی و موررال 2004 ؛ الماس و Sekhon 2013). اگرچه میانگین اختلاف ECDF به خوبی مورد مطالعه قرار نگرفته است ، اما خلاصه ای از عدم تعادل را ارائه می دهد که ممکن است با تکیه فقط به حداکثر تفاوت از دست برود.

تشخیص بصری. تشخیص بصری مانند توطئه های ECDF ، توطئه های کمی تجربی (EQQ) و توطئه های چگالی هسته می تواند مورد استفاده قرار گیرد تا دقیقاً چگونه توزیع های متغیر از یکدیگر متفاوت است ، یعنی در توزیع بیشترین عدم تعادل وجود دارد (هو و همکاران. 2007 ؛ آستین 2009). این می تواند به تشخیص چگونگی تنظیم یک روش تطبیق برای هدف قرار دادن عدم تعادل در یک منطقه خاص از توزیع متغیر کمک کند.

نمرات پیش آگهی. نمره پیش آگهی تخمینی از نتیجه بالقوه تحت کنترل برای هر واحد است (هانسن 2008). تعادل در نمره پیش آگهی نشان داده شده است که در برآورد اثر با تعصب بسیار ارتباط دارد و آن را به یک ابزار مفید در ارزیابی تعادل تبدیل می کند (استوارت ، لی و لسی 2013). تخمین نمره پیش آگهی نیاز به دسترسی به داده های نتیجه دارد و استفاده از آن ممکن است به عنوان نقض اصل جدا کردن مراحل طراحی و تجزیه و تحلیل یک تجزیه و تحلیل تطبیق دیده شود (روبین 2001). با این حال ، از آنجا که فقط مقادیر نتیجه گروه کنترل برای استفاده از نمره پیش آگهی لازم است ، برخی از جدایی حفظ می شود.

چندین آمار چند متغیره وجود دارد که تعادل را در کل توزیع همبستگی مشترک خلاصه می کند. اینها می توانند توابع اقدامات فوق باشند ، مانند میانگین یا حداکثر SMD مطلق یا فاصله وزنی تعمیم یافته [GWD ؛فرانکلین و همکاران.(2014)] ، که مجموع SMD ها برای متغیرها و میادین و تعامل آنها یا آمار جداگانه ای است که مقادیر را به دور از توزیع متغیرهای فردی ، مانند فاصله L1 (Iacus ، King و Porro 2011) اندازه گیری می کند)تست متقابل (هلر ، روزنبوم ، و کوچک 2010) یا فاصله انرژی (هولینگ و مك 2020).

تعادل در نمره گرایش اغلب یک معیار مفید تعادل در نظر گرفته شده است ، اما ما لزوماً آن را توصیه نمی کنیم مگر به عنوان یک مکمل برای تعادل در متغیرهای متغیر. تعادل نمره گرایش به طور کلی با هر روش تطبیق بدون در نظر گرفتن پتانسیل متعادل کننده متغیر از نمره گرایش خوب خواهد بود ، بنابراین یک نمره تمایل متعادل به معنای متغیرهای متعادل نیست (آستین 2009). به همین ترتیب ، ممکن است اتفاق بیفتد که متغیرهای متغیر ممکن است به خوبی متعادل باشند ، حتی اگر نمره تمایل متعادل نباشد ، مانند زمانی که متغیرهای متغیر بالاتر از نمره تمایل در مشخصات تطبیق (به عنوان مثال ، با تطبیق ژنتیکی) در اولویت قرار دارند. با توجه به این مشاهدات ، برای ارزیابی تعادل متغیرها نباید به نمره گرایش اعتماد شود. مطالعات شبیه سازی توسط استوارت ، لی و لیسی (2013) شواهدی را برای این توصیه در برابر تکیه بر تعادل نمره تمایل ارائه می دهد.

در مورد استفاده از آزمون های فرضیه ، مانند آزمونهای T یا آزمون های Kolmogorov-Smiov ، برای ارزیابی تعادل متغیر بحث شده است. ایده این است که تست تعادل فرضیه تهی را آزمایش می کند که نمونه همسان دارای تعادل معادل یک آزمایش تصادفی است. چندین مشکل در تست های تعادل وجود دارد که توسط هو و همکاران شرح داده شده است.(2007) و ایمی ، کینگ و استوارت (2008): 1) تعادل خاصیت نمونه است ، نه از جمعیتی که نمونه از آن ترسیم شده است. 2) قدرت تست های تعادل به اندازه نمونه بستگی دارد ، که در حین تطبیق تغییر می کند حتی اگر تعادل تغییر نکند. و 3) استفاده از آزمون های فرضیه حاکی از معیار تصمیم گیری یکنواخت برای رد فرضیه تهی است (به عنوان مثال ، مقدار P کمتر از 05/0 ، به طور بالقوه با اصلاحات برای مقایسه های متعدد) ، هنگامی که تعادل بدون محدودیت بهبود یابد. Matchit هیچ تست تعادل یا مقادیر p را گزارش نمی کند ، در عوض با تکیه بر آمار توصیفی که در بالا توضیح داده شد.

توصیه هایی برای گزارش تعادل

روشهای مختلفی باید هنگام ارزیابی تعادل استفاده شود تا سعی کنید یک مجموعه بهینه همسان پیدا کنید که به طور ایده آل تخمین خطای کم از اثر مورد نظر را به همراه خواهد داشت. با این حال ، گزارش هر آمار یا طرح توازن در یک گزارش تحقیق یا انتشار می تواند سنگین و غیر ضروری باشد. گفته می شود ، گزارش تعادل بسیار مهم است تا به خوانندگان نشان دهد که برآورد حاصل تقریباً بی طرفانه است و کمی به برون یابی یا مشخصات مدل نتیجه صحیح متکی است. ما موارد زیر را در گزارش تعادل در یک تجزیه و تحلیل تطبیق توصیه می کنیم:

گزارش SMD ها قبل و بعد از تطبیق برای هر همبستگی ، هرگونه تعامل پیش آگهی مهم بین متغیرهای متغیر و نمره پیش آگهی. این را می توان در یک جدول یا در یک طرح عشق گزارش داد.

خلاصه گزارش تعادل برای سایر آمار ، به عنوان مثال ، بزرگترین و حداکثر اختلاف ECDF در بین متغیرها و بزرگترین SMD در بین میادین ، مکعب ها و تعامل متغیرها.

Matchit ابزارهایی را برای محاسبه هر یک از این آمار فراهم می کند تا بتوان آنها را با سهولت در نسخه خطی یا گزارش گزارش داد.

ارزیابی تعادل با Matchit

Matchit شامل چندین ابزار برای ارزیابی تعادل عددی و گرافیکی است. عملکرد اولیه ارزیابی تعادل خلاصه است. matchit () ، که هنگام استفاده از خلاصه () در یک شیء متناسب خوانده می شود و چندین جدول از آمار تعادل را قبل و بعد از تطبیق تولید می کند. plot. summary. matchit () یک طرح عشق را با استفاده از سیستم گرافیکی پایه R که حاوی میانگین میانگین استاندارد ناشی از تماس به خلاصه است ، ایجاد می کند. plot. matchit () چندین قطعه تولید می کند که عناصر مختلف تعادل متغیر را نشان می دهد ، از جمله همپوشانی نمره گرایش و توطئه های توزیع متغیرها. این توابع در کنار هم مجموعه ای را تشکیل می دهند که می تواند برای ارزیابی و گزارش تعادل به روش های مختلف استفاده شود.

برای نشان دادن قابلیت های ارزیابی تعادل Matchit ، ما از داده های Lalonde موجود در Matchit و در Vignette ("Matchit") استفاده خواهیم کرد. ما 1: 1 نزدیکترین همسایه را با تعویض در نمره گرایش انجام خواهیم داد ، اگرچه عملکرد در تمام روشهای تطبیق به جز زیر طبقه بندی نمره گرایش یکسان است ، که در پایان آن را نشان می دهیم.

خلاصه. matchit ()

هنگامی که خلاصه () در یک شیء مطابقت فراخوانی می شود ، چندین جدول اطلاعات نمایش داده می شود. این موارد شامل آمار تعادل برای هر متغیر قبل از تطابق ، آمار تعادل برای هر همبستگی پس از تطابق ، کاهش درصد عدم تعادل پس از تطابق و اندازه نمونه قبل و بعد از تطابق است. خلاصه. matchit () چهار آرگومان اضافی دارد که کنترل تعادل را کنترل می کند:

• فعل و انفعالات کنترل می کند که آیا آمار تعادل برای همه میادین و فعل و انفعالات زوجی متغیرهای متغیر علاوه بر متغیرها نمایش داده می شود. پیش فرض نادرست است ، و تنظیم True می تواند در هنگام حضور بسیاری از متغیرهای متغیر ، خروجی را گسترده کند ، اما مهم است که اطمینان حاصل شود که هیچ تعامل مهم عدم تعادل باقی نمی ماند.
• Addlvariables اجازه می دهد تا تعادل در متغیرهای دیگری غیر از موارد داخل شیء Matchit ارزیابی شود. به عنوان مثال ، اگر فاصله بین واحدها فقط به زیر مجموعه ای از متغیرها متکی باشد اما تعادل لازم برای دستیابی به همه متغیرها باشد ، می توان از افزودنی ها برای تأمین این متغیرهای اضافی استفاده کرد. علاوه بر افزودن متغیرهای دیگر ، می توان از Addlvariables برای درخواست تعادل در عملکردهای خاص متغیرهای متغیر که قبلاً در شیء Matchit مانند اصطلاحات چند جمله ای یا تعامل استفاده می شود ، استفاده کرد. ورودی به addlvariables می تواند یک فرمول یک طرفه با متغیرهای متغیر و هرگونه تحول مورد نظر در سمت راست باشد ، دقیقاً مانند یک فرمول مدل (به عنوان مثال ، addlvariables =~x1 + x2 + i (x1^2) در x1 ، x2 و مربع x1 تعادل را درخواست می کند). متغیرهای اضافی که به Addlvariables ارائه می شوند اما در شیء Matchit موجود نیستند می توانند با استفاده از آرگومان داده به عنوان یک قاب داده تهیه شوند.
• کنترل استاندارد را کنترل می کند که آیا آمار استاندارد یا غیر استاندارد نمایش داده می شود. آمار استاندارد شامل میانگین اختلاف استاندارد و آمار ECDF است. آمار غیر استاندارد شامل تفاوت خام در میانگین و آمار نقشه EQQ است.(صرف نظر از این ، نسبت واریانس همیشه نمایش داده می شود.). پیش فرض در مورد آمار استاندارد ، که گزارش معمول تر است ، صادق است زیرا همه آنها بدون در نظر گرفتن مقیاس متغیرهای 1 در همان مقیاس قرار دارند.
• Pair. dist کنترل می کند که آیا مسافت های درون جفت باید محاسبه و نمایش داده شود. اینها نشان دهنده فاصله متوسط بین واحدها در همان جفت است که مطابق با استدلال برای استاندارد سازی استاندارد یا غیر استاندارد شده است. پیش فرض درست است. با تطبیق کامل ، تطبیق دقیق ، تطبیق دقیق درشت و زیر طبقه بندی نمره گرایش ، فاصله های جفت محاسبات می توانند مدت زمان زیادی طول بکشد ، بنابراین ممکن است در این موارد سودمند باشد.

علاوه بر این ، آرگومان های UN (پیش فرض: درست) و بهبود (پیش فرض: غلط) کنترل اینکه آیا تعادل قبل از تطبیق باید نمایش داده شود و اینکه آیا درصد بهبود تعادل پس از تطبیق باید نمایش داده شود. این موارد را می توان به صورت نادرست تنظیم کرد تا خروجی را کاهش دهد.

در زیر ، ما به طور خلاصه. matchit () با addlvariables تماس می گیریم تا تعادل را در متغیرهای متغیر و چند عملکرد از آنها در نمونه همسان نشان دهیم. به طور خاص ، ما در مربع سن ، تعادل را درخواست می کنیم ، متغیرهای نشان دهنده اینکه آیا RE74 و RE75 برابر با 0 و تعامل بین آموزش و نژاد هستند.

بیایید خروجی را با جزئیات بررسی کنیم. جدول اول (خلاصه تعادل برای همه داده ها) قبل از تطبیق تعادل در نمونه را ارائه می دهد. آمار شامل میانگین متغیرهای متغیر در گروه تحت درمان (میانگین تحت درمان) ، میانگین متغیرهای متغیر در گروه کنترل (به معنای کنترل) ، SMD (میانگین تفاوت) ، نسبت واریانس (نسبت واریانس) است.، میانگین فاصله بین ECDF های متغیر در گروه ها (میانگین ECDF) و بیشترین فاصله بین ECDF (ECDF MAX). تنظیم UN = false باعث سرکوب ایجاد این جدول می شد.

جدول دوم (خلاصه تعادل برای داده های همسان) شامل تمام آمار یکسان در نمونه همسان است. از آنجا که ما به طور ضمنی از فاصله جفت درخواست می کنیم ، یک ستون اضافی برای مسافت های جفت استاندارد (Std. Pair Dist.) نمایش داده می شود.

جدول نهایی (اندازه نمونه) حاوی اندازه نمونه ها قبل (همه) و بعد از تطابق (همسان) و همچنین تعداد واحدهای باقی مانده بی نظیر (بی نظیر) و تعداد واحدهای کاهش یافته به دلیل محدودیت پشتیبانی مشترک (دور انداخته شده است.).

SMD ها به عنوان میانگین اختلاف تقسیم شده توسط یک فاکتور استاندارد سازی محاسبه شده در نمونه بی نظیر محاسبه می شوند. SMD مطلق نزدیک به 0 نشانگر تعادل خوب است. اگرچه تعدادی از توصیه ها برای مقادیر قابل قبول در ادبیات ظاهر شده است ، ما مقادیر مطلق را کمتر از 0. 1 و کمتر از 0. 05 برای متغیرهای مهم پیش آگهی مهم توصیه می کنیم.

نسبت واریانس به عنوان نسبت واریانس گروه تحت درمان به گروه کنترل برای هر متغیر محاسبه می شود. نسبت واریانس برای متغیرهای باینری محاسبه نمی شود زیرا آنها تابعی از شیوع در هر گروه هستند ، که در میانگین اختلاف و آمار ECDF ضبط می شود. نسبت واریانس نزدیک به 1 نشانگر تعادل خوب است. یک توصیه متداول برای نسبت واریانس بین 5 تا 2 است.

آمار ECDF با تفاوت در توزیع کلی متغیرهای متغیر بین گروههای درمانی مطابقت دارد. مقادیر هر دو آمار از 0 تا 1 متغیر است ، با مقادیر نزدیک به صفر نشانگر تعادل بهتر است. هیچ توصیه خاصی برای مقادیر این آمار وجود ندارد ، اگرچه مقادیر بالا ممکن است نشان دهنده عدم تعادل در لحظه های بالاتر متغیرها باشد. آمار EQQ تولید شده هنگامی که Standardize = false به طور مشابه تفسیر می شود اما در مقیاس همبستگی قرار دارد.

تمام این آمار باید با هم در نظر گرفته شود. عدم تعادل همانطور که توسط هر یک از آنها اندازه گیری می شود ممکن است نشانگر شکست بالقوه طرح تطبیق در دستیابی به تعادل توزیع باشد.

plot. summary. matchit ()

طرح عشق روشی تمیز برای خلاصه بصری تعادل است. استفاده از طرح در خروجی فراخوانی به خلاصه () در یک شیء Matchit یک طرح عشق از تفاوت های میانگین استاندارد ایجاد می کند. plot. summary. matchit () چندین آرگومان اضافی دارد که می تواند برای سفارشی سازی طرح استفاده شود.

• ABS کنترل می کند که آیا اختلاف میانگین استاندارد باید در مقدار مطلق نمایش داده شود یا خیر. پیش فرض درست است
• Var. Order نحوه سفارش متغیرها بر روی محور y را کنترل می کند. گزینه ها "داده" (پیش فرض) هستند ، که متغیرها را به عنوان ظاهر در Summary. Matchit () سفارش می دهد."بی نظیر" ، که متغیرها را بر اساس اختلاف میانگین استاندارد آنها قبل از تطبیق سفارش می دهد."همسان" ، که متغیرها را بر اساس میانگین اختلاف استاندارد آنها پس از تطبیق سفارش می دهد. و "الفبایی" ، که متغیرها را به صورت الفبایی سفارش می دهد. استفاده از "بی نظیر" تمایل به توطئه های جذاب دارد و تضمین می کند که افسانه با امتیاز در موقعیت پیش فرض خود همپوشانی ندارد.
• آستانه کنترل می کند که خطوط عمودی نشانگر آستانه های انتخاب شده باید روی محور x ظاهر شوند. باید یک بردار عددی باشد. پیش فرض C (. 1 ، . 05) است که خطوط عمودی را در واحدهای میانگین اختلاف استاندارد 0. 1 و 05 نشان می دهد.
• موقعیت موقعیت افسانه را کنترل می کند. پیش فرض "Bottomright" است که افسانه را در گوشه پایین سمت راست طرح قرار می دهد و هر مقدار کلمه کلیدی در دسترس برای تهیه X در Legend () مجاز است.

در زیر ما یک طرح عاشقانه از متغیرها ایجاد می کنیم.

plot. matchit ()

علاوه بر خلاصه های عددی از تعادل ، Matchit خلاصه های گرافیکی و همچنین با استفاده از plot. matchit () (یعنی استفاده از طرح () را بر روی یک شیء مطابقت) ارائه می دهد. ما می توانیم توطئه های EQQ ، توطئه های ECDF یا توطئه های چگالی متغیرها و هیستوگرام یا توطئه های لرزه ای از نمره گرایش ایجاد کنیم. توطئه های متغیر می توانند خلاصه ای از تعادل توزیع کامل حاشیه ای یک همبستگی را فراتر از میانگین و واریانس ارائه دهند.

plot. matchit () برای سفارشی سازی خروجی چند آرگومان دارد:

• نوع با نوع طرح مورد نظر مطابقت دارد. گزینه ها شامل "QQ" برای توطئه های EQQ (پیش فرض) ، "ECDF" برای توطئه های ECDF ، "چگالی" برای توطئه های چگالی (یا توطئه های نوار برای متغیرهای طبقه بندی شده) ، "jitter" برای توطئه های لرزه ای و "هیستوگرام" برای هیستوگرام است.
• تعاملی کنترل می کند که آیا طرح تعاملی است یا خیر. برای توطئه های EQQ ، ECDF و چگالی ، این امکان را به ما می دهد تا هنگامی که صفحه بعدی متغیرهای متغیر نمایش داده می شود ، کنترل کنیم زیرا فقط سه نفر می توانند در یک زمان ظاهر شوند. برای توطئه های jitter ، این به ما امکان می دهد واحدهای جداگانه را با مقادیر شدید برای بازرسی بیشتر انتخاب کنیم. پیش فرض درست است.
• که از آن استفاده می شود تا مشخص شود که متغیرهای متغیر برای نمایش تعادل در توطئه های EQQ ، ECDF و چگالی. پیش فرض نمایش تعادل در همه است ، اما می توانیم فقط در یک زیر مجموعه خاص تعادل را درخواست کنیم. در صورت درخواست سه یا کمتر ، تعاملی نادیده گرفته می شود. این استدلال می تواند به عنوان یک فرمول یک طرفه با متغیرهای مورد علاقه در سمت راست یا یک بردار کاراکتر حاوی نام متغیرهای مورد نظر تهیه شود. اگر متغیرها در شیء Matchit نباشند ، می توان یک آرگومان داده را با یک مجموعه داده حاوی متغیرهای نامگذاری شده تهیه کرد.

در زیر ، ما طرح EQQ را نشان می دهیم:

ارزیابی تعادل پس از زیر طبقه بندی

با زیر طبقه بندی ، تعادل را می توان در هر زیر کلاس و به طور کلی بررسی کرد. با خلاصه. matchit () ، می توانیم درخواست کنیم که تعادل را فقط در کل یا در هر زیر کلاس مشاهده کنیم. مورد دوم می تواند به ما کمک کند تصمیم بگیریم که آیا می توانیم اثرات تخمین زده شده در هر زیر کلاس را بی طرفانه تفسیر کنیم. خروجی های plot. summary. matchit () و plot. matchit () را می توان در کل یا برای هر زیر کلاس درخواست کرد. ما این را در زیر نشان می دهیم. ابتدا با استفاده از 4 زیر کلاس (به طور معمول بیشتر سودمند است) زیر طبقه بندی نمره گرایش را انجام خواهیم داد.

هنگام استفاده از خلاصه () ، پیش فرض نمایش تعادل فقط در کل با استفاده از وزن زیر طبقه بندی است. این خروجی تعادل شبیه به سایر روشهای تطبیق است.

یک گزینه اضافی در خلاصه () ، زیر کلاس ، به ما امکان می دهد تا برای زیر کلاسهای فردی تعادل را درخواست کنیم. برای نمایش تعادل برای همه زیر کلاس ها یا شاخص های زیر کلاسهای جداگانه که تعادل برای آنها نمایش داده می شود ، می توان زیر کلاس را به درستی تنظیم کرد. در زیر ما خلاصه () را فراخوانی می کنیم و درخواست تعادل را در کلیه زیر کلاس ها نمایش می دهیم (تنظیم UN = FALSE برای سرکوب تعادل در نمونه اصلی):

ما می توانیم تفاوتهای میانگین استاندارد را در یک طرح عشق ترسیم کنیم که همچنین تعادل را برای زیر کلاس ها با استفاده از plot. summary. matchit () در یک شیء خلاصه () () با زیر کلاس = true نشان می دهد.

اگر SubClass = False را تنظیم کرده بودیم ، توطئه ها با استفاده از وزن زیر طبقه بندی در کل نمایش داده می شدند. اگر زیر کلاس نامشخص باشد ، سریع از ما می پرسد که کدام زیر کلاس را می خواهیم تعادل را ببینیم.

ارزیابی تعادل با کبالت

بسته کبالت به طور خاص برای بررسی تعادل قبل و بعد از تطبیق (و وزن) طراحی شده است. این سه کارکرد اصلی ، bal. tab () ، love. plot () و bal. plot () را ارائه می دهد ، که اقدامات مشابهی را با خلاصه انجام می دهند.، به ترتیب. این توابع به طور مستقیم با اشیاء Matchit رابط می کنند و کبالت را ساده تر می کند تا در رابطه با MatchIt استفاده کند. کبالت می تواند به عنوان یک مکمل برای تطبیق مورد استفاده قرار گیرد ، به خصوص برای استفاده های پیشرفته تر که توسط تطبیق پذیرفته نشده است ، مانند مقایسه تعادل در طرح های مختلف تطبیق و حتی بسته های مختلف ، ارزیابی تعادل در داده های خوشه ای یا ضرب و شتم و ارزیابی تعادل با چنددسته بندی ، درمان مداوم و متغیر زمان. Vignette اصلی کبالت (Vignette ("کبالت" ، بسته = "کبالت") حاوی نمونه های بسیاری از استفاده از آن با اشیاء matchit است ، بنابراین ما فقط یک نمایش کوتاه از قابلیت های آن را در اینجا ارائه می دهیم.

bal. tab ()

bal. tab () جداول آمار تعادل مشابه خلاصه. matchit () را تولید می کند. ستون های نمایش داده شده می توانند برای محدود کردن میزان نمایش اطلاعات و جداسازی اطلاعات مورد نظر ، سفارشی شوند. ما با چند مورد از گزینه های آن در زیر bal. tab () تماس می گیریم:

خروجی بسیار شبیه به خلاصه است. matchit () ، به جز این که آمار تعادل محاسبه شده قبل از تطبیق (با پسوند . un) و آنهایی که پس از تطبیق (با پسوند . ADJ) محاسبه می شوند در همان جدول قرار دارند. به طور پیش فرض ، فقط SMD ها پس از تطبیق (diff. adj) نمایش داده می شوند. با تنظیم UN = True ، ما درخواست کردیم که آمار تعادل قبل از تطبیق نیز نمایش داده شود ، و با تنظیم آمار = C ("M" ، "V" ، "KS") ما درخواست میانگین اختلاف ، نسبت واریانس و آمار Kolmogorov-Smiov را درخواست کردیمواداز دیگر آمار تعادل و آمار خلاصه نیز می توان درخواست کرد. نکته مهم قابل توجه این است که پیش فرض برای متغیرهای باینری ، چاپ اختلاف خام نسبت به جای اختلاف میانگین استاندارد است ، بنابراین اختلاف آشکار برای این متغیرها بین Bal. tab () و خلاصه () خروجی وجود خواهد داشت.، اگرچه این رفتار را می توان با تنظیم باینری = "std" در تماس با bal. tab () تغییر داد. عملکرد برای تولید آمار تعادل برای متغیرهای اضافی و برای قدرت و تعامل متغیرهای متغیر با استفاده از گزینه های ADDL ، POLY و INT در دسترس است.

bal. tab () و سایر توابع کبالت می توانند تعادل را نه تنها در یک شیء تطبیق واحد بلکه در همان زمان همزمان ایجاد کنند ، که این امر باعث تسهیل تعادل در چندین مشخصات تطبیق می شود. به عنوان مثال ، اگر می خواستیم نتایج کامل تطبیق را با نتایج نزدیکترین همسایه بدون تعویض مقایسه کنیم ، می توانیم هر دو را به Bal. tab () که در زیر نشان می دهیم ، تهیه کنیم:

این بار ، ما Bal. tab () را با متغیرهای متغیر و مجموعه داده ها تهیه کردیم و اشیاء خروجی Catturit را در آرگومان وزنه ها تهیه کردیم (که وزنهای تطبیق را از اشیاء استخراج می کند). در اینجا می توانیم ببینیم که تطبیق کامل تعادل بهتری نسبت به نزدیکترین همسایه به طور کلی دارد ، اگرچه تعادل برای سن کمی بدتر و ازدواج کرده و اندازه نمونه مؤثر پایین تر است.

love. plot ()

love. plot () یک طرح عاشقانه از آمار تعادل انتخاب شده ایجاد می کند. این گزینه های بسیاری را برای سفارشی سازی ، از جمله شکل و رنگ نقاط ، نحوه نمایش نام های متغیر و برای نمایش تعادل آمار ارائه می دهد. در زیر نمونه ای از کاربردهای اساسی آن آورده شده است:

نحو ساده و شبیه به Bal. tab () است. در زیر ما یک استفاده پیشرفته تر را نشان می دهیم که ظاهر طرح را سفارشی می کند و تعادل را نه تنها در میانگین تفاوت بلکه در آمار Kolmogorov-Smiov و هم برای تطبیق کامل و هماهنگ نزدیک همسایه همزمان نشان می دهد.

bal. plot ()

bal. plot () تعادل توزیع را برای یک متغیرهای متغیر ، مشابه طرح. matchit () نشان می دهد. پیش فرض آن نمایش توطئه های چگالی هسته برای متغیرهای مداوم و نمودارهای نوار برای متغیرهای طبقه بندی شده است. همچنین می تواند توطئه های ECDF و هیستوگرام را نمایش دهد. در زیر برخی از کاربردهای آن را نشان می دهیم:

نتیجه

هدف تطبیق دستیابی به تعادل متغیر ، شباهت بین توزیع های همبستگی گروههای تحت درمان و کنترل است. تعادل باید در مرحله تطبیق ارزیابی شود تا مشخصات تطبیق یافته ای پیدا کند. تعادل نیز باید در نوشتن یک تحلیل تطبیق گزارش شود تا به خوانندگان نشان دهد که تطبیق موفقیت آمیز بوده است. Matchit و کبالت هر یک مجموعه ای از توابع را برای اجرای بهترین شیوه ها در ارزیابی تعادل و گزارش ارائه می دهند.

منابع

Ali ، M. Sanni ، Rolf H. H. Groenwold ، Wiebe R. Pestman ، Svetlana V. Belitser ، Kit C. B. Roes ، Ao W. Hoes ، Anthonius de Boer و Olaf H. Klungel. 2014. "اقدامات تعادل نمره گرایش در فارماکوپیدمیولوژی: یک مطالعه شبیه سازی."فارماکوپیدمیولوژی و ایمنی دارو 23 (8): 802 11. https://doi. org/10. 1002/pds. 3574.

آستین، پیتر سی. 2009. "تشخیص تعادل برای مقایسه توزیع متغیرهای کمکی خط پایه بین گروه های درمانی در نمونه های همسان امتیاز با گرایش."آمار در پزشکی 28 (25): 3083-3107. https://doi. org/10. 1002/sim. 3697.

آستین، پیتر سی، و الیزابت آ. استوارت. 2015. "حرکت به سمت بهترین تمرین هنگام استفاده از احتمال معکوس وزن دهی درمان (IPTW) با استفاده از امتیاز تمایل برای تخمین اثرات درمانی علّی در مطالعات مشاهده ای."آمار در پزشکی 34 (28): 3661-79. https://doi. org/10. 1002/sim. 6607.

بلیتسر، سوتلانا وی، ادوین پی. مارتنز، ویبه آر. پستمن، رولف اچ. اچ. گرونولد، آنتونیوس دی بوئر، و اولاف اچ. کلونگل. 2011. "اندازه گیری تعادل و انتخاب مدل در روش های امتیاز گرایش."فارماکوپیدمیولوژی و ایمنی دارو 20 (11): 1115-29. https://doi. org/10. 1002/pds. 2188.

دایموند، الکسیس و جاجیت اس. سخون. 2013. "تطبیق ژنتیکی برای برآورد اثرات علی: یک روش تطبیق چند متغیره عمومی برای دستیابی به تعادل در مطالعات مشاهده ای."بررسی اقتصاد و آمار 95 (3): 932945. https://doi. org/10. 1162/REST_a_00318.

فرانکلین، جسیکا ام.، جرمی آ. راسن، دایانا آکرمن، دوروتی بی. بارتلز، و سباستین اشنیویس. 2014. "معیارهای تعادل متغیر در مطالعات کوهورت اثرات علی."آمار در پزشکی 33 (10): 1685-99. https://doi. org/10. 1002/sim. 6058.

هانسن، بن بی. 2008. "آنالوگ پیش آگهی امتیاز تمایل."Biometrika 95 (2): 481-88. https://doi. org/10. 1093/biomet/asn004.

هلر، روث، پل آر. روزنبام و دیلن اس. اسمال. 2010. «استفاده از آزمون ضربدری برای ارزیابی تعادل متغیرهای کمکی در جفت های همسان». The American Statistician 64 (4): 299-309. https://doi. org/10. 1198/tast. 2010. 09210.

هو، دانیل ای.، کوسوکه ایمای، گری کینگ و الیزابت آ. استوارت. 2007. "تطبیق به عنوان پیش پردازش ناپارامتریک برای کاهش وابستگی مدل در استنتاج علی پارامتریک."تحلیل سیاسی 15 (3): 199 236. https://doi. org/10. 1093/pan/mpl013.

هالینگ، جرد دی و سایمون مک. 2020. "تعادل انرژی توزیع های متغیر."arXiv:2004. 13962 [آمار]، آوریل. https://arxiv. org/abs/2004. 13962.

ایاکوس، استفانو ام.، گری کینگ و جوزپه پوررو. 2011. "روش های تطبیق چند متغیره که مرز عدم تعادل یکنواخت هستند."مجله انجمن آماری آمریکا 106 (493): 345-61. https://doi. org/10. 1198/jasa. 2011. tm09599.

ایمای ، کوسوکه ، گری کینگ و الیزابت A. استوارت. 2008. "سوء تفاهم بین آزمایش گرایان و مشاهده گرایان در مورد استنباط علی."مجله انجمن آماری سلطنتی. سری A (آمار در جامعه) 171 (2): 481-502. https://doi. org/10. 1111/j. 1467-985x. 2007. 00527. x.

مک کافری ، دانیل اف. ، گرگ ریودوی و اندرو آر. مورال. 2004. "برآورد نمره گرایش با افزایش رگرسیون برای ارزیابی اثرات علی در مطالعات مشاهده ای."روشهای روانشناختی 9 (4): 403-25. https://doi. org/10. 1037/1082-989x. 9. 4. 403.

روبین ، دونالد ب. 2001. "استفاده از نمرات گرایش برای کمک به طراحی مطالعات مشاهده ای: کاربرد در دادخواست دخانیات."خدمات بهداشتی و نتایج روش تحقیق 2 (3-4): 169-88. https://doi. org/10. 1023/a:1020363010465.

استوارت ، الیزابت A. ، برایان K. لی ، و فینبر P. Leacy. 2013. "اقدامات تعادل مبتنی بر نمره پیش آگهی می تواند یک تشخیص مفید برای روش های نمره گرایش در تحقیقات اثربخشی مقایسه ای باشد."مجله اپیدمیولوژی بالینی 66 (8): S84. https://doi. org/10. 1016/j. jclinepi. 2013. 01. 013.

توجه داشته باشید که نسخه های Matchit قبل از 4. 0. 0 به طور پیش فرض تنظیم شده روی false است.