Explication intuitive de la probabilité inverse des poids de traitement (IPTW) dans la pondération du score de propension?

Je comprends la mécanique du calcul des poids en utilisant les scores de propension : , puis en appliquant les poids dans une analyse de régression, et que les poids servent à «contrôler» ou dissocier les effets des covariables dans les populations des groupes de traitement et de contrôle avec la variable de résultat. $p(x_i)$

\begin{aligned} w_{je, j = t r e une t} & = \frac{1}{p (X_{je})} \\ w_{je, j = c o n t r o l} & = \frac{1}{1 - p (X_{je})} \end{aligned}

$\begin{align} w_{i, j={\rm treat}} &= \frac{1}{p(x_i)} \\[5pt] w_{i, j={\rm control}} &= \frac{1}{1-p(x_i)} \end{align}$

Cependant, au niveau de l'intestin, je ne comprends pas comment les poids y parviennent et pourquoi les équations sont construites telles quelles.

intuition weighted-regression propensity-scores RobertF
la source

Réponses:

$p(x_i)$ $i$ $X$ $\text{w}_{i,j=\text{treat}} = \frac{1}{p(x_i)}$ $\text{w}_{i,j=\text{control}} = \frac{1}{1-p(x_i)}$

Au cas où vous ne les auriez pas rencontrés, je vous suggère fortement de lire Stuart (2010): Matching Methods for Causal Inference: A Review and a Look Forward et Thoemmes et Kim (2011): A Systematic Review of Propensity Score Methods in the Social Sciences ; les deux sont joliment écrits et servent de bons articles sur le sujet. Consultez également cette excellente conférence de 2015 sur les raisons pour lesquelles les scores de propension ne doivent pas être utilisés pour l'appariement par King. Ils m'ont vraiment aidé à construire mon intuition sur le sujet.

usεr11852
la source

Merci, bonne réponse! Bien sûr, le raisonnement derrière les formules de poids est évident avec le recul. J'ai regardé l'article King 2015. Très instructif, bien que si j'atteins un excellent équilibre avec un score de propension correspondant sans ajustement, alors pourquoi ne pas utiliser des scores de propension?

RobertF

Je suis content que vous le trouviez utile. Concernant King (2015): Si nous obtenons un excellent équilibre grâce à PSM, nous devrions utiliser PSM. Le problème est que la PSM n'atteint généralement pas un excellent équilibre comme nous l'aurions fait dans une conception expérimentale randomisée entièrement bloquée car elle n'a pas été conçue pour le faire.

usεr11852

Réponse brillante, @ usεr11852

Nicg

Je vous remercie. C'est gentil à vous de dire.

usεr11852