Nonparametric Preprocessing for Parametric Causal Inference

MatchIt：パラメトリックカジュアル推論のためのノンパラメトリック前処理

Selects matched samples of the original treated and control groups with similar covariate distributions – can be used to match exactly on covariates, to match on propensity scores, or perform a variety of other matching procedures. The package also implements a series of recommendations offered in Ho, Imai, King, and Stuart (2007) < doi:10.1093/pan/mpl013 >. (The 'gurobi' package, which is not on CRAN, is optional and comes with an installation of the Gurobi Optimizer, available at < https://www.gurobi.com >.)

共変量分布が類似している元の治療群と対照群の一致サンプルを選択する-共変量を正確に一致させたり、傾向スコアを一致させたり、その他の様々な一致手順を実行するために使用することができます。このパッケージは、Ho, Imai, King, and Stuart (2007) < doi:10.1093/pan/mpl013 >で提供されている一連の推奨事項も実装しています。

An R Package for Biomarkers Analysis in Precision Medicine

精密医療におけるバイオマーカー解析のためのRパッケージ

Provides functions for training extreme gradient boosting model using propensity score A-learning and weight-learning methods. For further details, see Liu et al. (2024) < doi:10.1093/bioinformatics/btae592 >.

傾向スコアA学習法と重み学習法を用いた極端勾配ブースティング・モデルの学習関数を提供します。A-learning法とweight-learning法の詳細については、Chenら(2017) < doi:10.1111/biom.12676 >を参照。

Multivariate and Propensity Score Matching with Balance Optimization

バランス最適化を用いた多変量および傾向スコアマッチング

Provides functions for multivariate and propensity score matching and for finding optimal balance based on a genetic search algorithm. A variety of univariate and multivariate metrics to determine if balance has been obtained are also provided. For details, see the paper by Jasjeet Sekhon (2007, < doi:10.18637/jss.v042.i07 >).

多変量およびプロペンシティスコアマッチングのための関数、および遺伝的探索アルゴリズムに基づく最適バランスを見つけるための関数を提供します。バランスが得られたかどうかを判断するための様々な一変量および多変量メトリクスも提供します。

Doubly Robust Distribution Balancing Weighting Estimation

二重ロバストな分布バランス重み付け推定

Implements the doubly robust distribution balancing weighting proposed by Katsumata (2024) < doi:10.1017/psrm.2024.23 >, which improves the augmented inverse probability weighting (AIPW) by estimating propensity scores with estimating equations suitable for the pre-specified parameter of interest (e.g., the average treatment effects or the average treatment effects on the treated) and estimating outcome models with the estimated inverse probability weights. It also implements the covariate balancing propensity score proposed by Imai and Ratkovic (2014) < doi:10.1111/rssb.12027 > and the entropy balancing weighting proposed by Hainmueller (2012) < doi:10.1093/pan/mpr025 >, both of which use covariate balancing conditions in propensity score estimation. The point estimate of the parameter of interest and its uncertainty as well as coefficients for propensity score estimation and outcome regression are produced using the M-estimation. The same functions can be used to estimate average outcomes in missing outcome cases.

勝俣(2024) < doi:10.1017/psrm.2024.23 >が提唱した二重ロバストな分布分散均衡加重を実装し、あらかじめ規定された対象パラメータに適した方程式(例:平均処理効果または処理対象に対する平均処理効果)で傾向スコアを推定し、推定された逆確率重み付けでアウトカムモデルを推定することにより、拡張逆確率重み付け(AIPW)を改善します。また、Imai and Ratkovic (2014)が提案したdoi:10.1111/rssb.12027 > <が提案した共変量バランス性スコアと、Hainmueller (2012) < doi:10.1093/pan/mpr025 >が提案したエントロピーバランスウェイトも実装しています。これらはどちらも、傾向スコア推定に共変量バランス条件を使用しています。関心のあるパラメータとその不確実性の点推定、および傾向スコア推定と結果回帰の係数は、M推定を使用して生成されます。同じ関数を使用して、欠損結果ケースの平均結果を推定できます。

MAny-Group MAtching

MAny-グループMAtching

Balancing quasi-experimental field research for effects of covariates is fundamental for drawing causal inference. Propensity Score Matching deals with this issue but current techniques are restricted to binary treatment variables. Moreover, they provide several solutions without providing a comprehensive framework on choosing the best model. The MAGMA R-package addresses these restrictions by offering nearest neighbor matching for two to four groups. It also includes the option to match data of a 2x2 design. In addition, MAGMA includes a framework for evaluating the post-matching balance. The package includes functions for the matching process and matching reporting. We provide a tutorial on MAGMA as vignette. More information on MAGMA can be found in Feuchter, M. D., Urban, J., Scherrer V., Breit, M. L., and Preckel F. (2022) < https://osf.io/p47nc/ >.

共変量の影響に対する準実験的フィールド調査のバランスをとることは、因果推論を導くための基本です。傾向スコアマッチングはこの問題を扱うが、現在の技術は二値処理変数に限定されています。さらに、最良のモデルを選択するための包括的な枠組みを提供することなく、いくつかの解決策を提供しています。「MAGMA.R」-パッケージは、2～4群の最近傍マッチングを提供することにより、これらの制限に対処しています。また、2x2デザインのデータをマッチングするオプションも含まれています。さらに、「MAGMA.R」は、マッチング後のバランスを評価するためのフレームワークを含む。このパッケージには、マッチング・プロセスとマッチング・レポートのための関数が含まれています。「MAGMA.R」のチュートリアルをビネットとして提供します。「MAGMA.R」に関する詳細は、Feuchter, M. D., Urban, J., Scherrer V., Breit, M. L., and Preckel F. (2022) < https://osf.io/p47nc/ >に記載されています。

Propensity Score Matching for Unordered 3-Group Data

順序不同の3グループデータに対する傾向スコアマッチング

You can use this program for 3 sets of categorical data for propensity score matching. Assume that the data has 3 different categorical variables. You can use it to perform propensity matching of baseline indicator groupings. The matching will make the differences in the baseline data smaller. This method was described by Alvaro Fuentes (2022) < doi:10.1080/00273171.2021.1925521 >.

このプログラムは、傾向スコアマッチングのための3組のカテゴリーデータに対して使用することができます。データには3種類のカテゴリー変数があると仮定します。これを使用して、ベースライン指標グループ化の傾向マッチングを行うことができます。マッチングにより、ベースラインデータの差が小さくなります。この方法はAlvaro Fuentes (2022) < doi:10.1080/00273171.2021.1925521 >によって説明されています。

Bayesian Evaluation, Analysis, and Simulation Software Tools for Trials

試験用ベイズ評価・分析・シミュレーションソフトウェアツール

Bayesian dynamic borrowing with covariate adjustment via inverse probability weighting for simulations and data analyses in clinical trials. This makes it easy to use propensity score methods to balance covariate distributions between external and internal data.

臨床試験におけるシミュレーションとデータ解析のための、逆確率重み付けによる共変量調整機能を備えたベイズ動的借用。これにより、傾向スコア法を用いて外部データと内部データ間の共変量分布のバランスをとることが容易になります。

Matching on Generalized Propensity Scores with Continuous Exposures

一般化された傾向スコアを用いた連続曝露のマッチング

Provides a framework for estimating causal effects of a continuous exposure using observational data, and implementing matching and weighting on the generalized propensity score. Wu, X., Mealli, F., Kioumourtzoglou, M.A., Dominici, F. and Braun, D., 2022. Matching on generalized propensity scores with continuous exposures. Journal of the American Statistical Association, pp.1-29.

観察データを用いて連続曝露の因果効果を推定するフレームワークを提供し、一般化された傾向スコアに対するマッチングと重み付けを実装しています。Wu, X., Mealli, F., Kioumourtzoglou, M.A., Dominici, F. and Braun, D., 2018. Matching on generalized propensity score with continuous exposures. arXiv preprint < arXiv:1812.06575 >.

Propensity Score Methods for Assigning Treatment in Randomized Trials

ランダム化試験における治療を割り当てるための傾向スコア法

Contains functions to run propensity-biased allocation to balance covariate distributions in sequential trials and propensity-constrained randomization to balance covariate distributions in trials with known baseline covariates at time of randomization. Currently only supports trials comparing two groups.

本パッケージには、逐次試験における共変量分布のバランスをとるためのプロペンシティ偏重割付と、無作為化時にベースライン共変量が既知の試験における共変量分布のバランスをとるためのプロペンシティ制約付き無作為化を実行する関数が含まれています。現在のところ、本パッケージは2群を比較する試験のみをサポートしています。

Propensity Score Weighting for Causal Inference with Observational Studies and Randomized Trials

因果関係推論のための傾向スコアの重み付け

Supports propensity score weighting analysis of observational studies and randomized trials. Enables the estimation and inference of average causal effects with binary and multiple treatments using overlap weights (ATO), inverse probability of treatment weights (ATE), average treatment effect among the treated weights (ATT), matching weights (ATM) and entropy weights (ATEN), with and without propensity score trimming. These weights are members of the family of balancing weights introduced in Li, Morgan and Zaslavsky (2018) < doi:10.1080/01621459.2016.1260466 > and Li and Li (2019) < doi:10.1214/19-AOAS1282 >.

観察研究や無作為化試験の傾向スコアの重み付け分析をサポートします。Li, Morgan and Zaslavsky (2018) < doi:10.1080/01621459.2016.1260466 >およびLi and Li (2019) < doi:10.1214/19-AOAS1282 >で開発された方法を使用して、バイナリおよび複数の治療法を持つ対象集団間の平均因果関係の推定および推論を可能にします。