Je m'intéresse aux données d'observation dans lesquelles l'assignation de traitement peut être extrêmement bien expliquée. Par exemple, une régression logistique de
wehre affectation de traitement et des covariables correspondent très bien à un ASC très élevé > 0,80 ou même . C'est une bonne nouvelle pour la précision du modèle de propension, mais cela conduit à des estimations de score de propension
Je soupçonne que cela rend les écarts des estimations très importants.
Il semble qu'un cercle vicieux que les modèles de score de propension très discriminants conduisent à des poids extrêmes.
Ma question : quelles sont les options disponibles pour rendre cette analyse plus robuste? Existe-t-il des alternatives pour adapter le modèle de score de propension ou comment gérer les poids importants une fois le modèle ajusté?
Réponses:
C'est une bonne détection. Vous faites référence à l'hypothèse de positivité. Il faut qu'il y ait à la fois des participants exposés et non exposés à chaque combinaison des valeurs des facteurs de confusion observés dans la population étudiée. Des violations de positivité se produisent lorsque certains sous-groupes d'un échantillon reçoivent rarement ou jamais certains traitements d'intérêt. Il existe de nombreux articles sur ce sujet, tels que Austin et Stuart (2015) et Peterson et al. (2012) . Vous pouvez rechercher plus en ligne.
la source