Propensity Score Predictive Inference for Generalizability

一般化可能性のための傾向スコア予測推論

Provides a suite of Propensity Score Predictive Inference (PSPI) methods to generalize treatment effects in trials to target populations. The package includes an existing model Bayesian Causal Forest (BCF) and four PSPI models (BCF-PS, FullBART, SplineBART, DSplineBART). These methods leverage Bayesian Additive Regression Trees (BART) to adjust for high-dimensional covariates and nonlinear associations, while SplineBART and DSplineBART further use propensity score based splines to address covariate shift between trial data and target population.

試験における治療効果を対象集団に一般化するための傾向スコア予測推論(PSPI)手法群を提供します。このパッケージには、既存のモデルであるベイジアン因果フォレスト(BCF)と4つのPSPIモデル(BCF-PS、FullBART、SplineBART、DSplineBART)が含まれています。これらの手法は、ベイジアン加法回帰ツリー(BART)を活用して高次元の共変量と非線形関連性を調整し、SplineBARTとDSplineBARTはさらに傾向スコアベースのスプラインを用いて試験データと対象集団間の共変量のシフトに対処します。

Generalized Propensity Score Estimation and Matching for Multiple Groups

複数グループの一般化傾向スコア推定とマッチング

Implements the Vector Matching algorithm to match multiple treatment groups based on previously estimated generalized propensity scores. The package includes tools for visualizing initial confounder imbalances, estimating treatment assignment probabilities using various methods, defining the common support region, performing matching across multiple groups, and evaluating matching quality. For more details, see Lopez and Gutman (2017) <doi:10.1214/17-STS612>.

ベクトルマッチングアルゴリズムを実装して、以前に推定された一般化された傾向スコアに基づいて複数の治療群を一致させます。パッケージには、初期の交絡因子の不均衡を視覚化するためのツール、さまざまな方法を使用して治療割り当ての確率を推定するためのツール、共通サポート領域の定義、複数のグループ間でのマッチングの実行、およびマッチングの質の評価が含まれています。詳細については、LopezとGutman（2017）を参照してください。<doi:10.1214/17-STS612>。

Covariate Balancing Propensity Score

共変量バランスの傾向スコア

Implements the covariate balancing propensity score (CBPS) proposed by Imai and Ratkovic (2014) <doi:10.1111/rssb.12027>. The propensity score is estimated such that it maximizes the resulting covariate balance as well as the prediction of treatment assignment. The method, therefore, avoids an iteration between model fitting and balance checking. The package also implements optimal CBPS from Fan et al. (in-press) <doi:10.1080/07350015.2021.2002159>, several extensions of the CBPS beyond the cross-sectional, binary treatment setting. They include the CBPS for longitudinal settings so that it can be used in conjunction with marginal structural models from Imai and Ratkovic (2015) <doi:10.1080/01621459.2014.956872>, treatments with three- and four-valued treatment variables, continuous-valued treatments from Fong, Hazlett, and Imai (2018) <doi:10.1214/17-AOAS1101>, propensity score estimation with a large number of covariates from Ning, Peng, and Imai (2020) <doi:10.1093/biomet/asaa020>, and the situation with multiple distinct binary treatments administered simultaneously. In the future it will be extended to other settings including the generalization of experimental and instrumental variable estimates.

Imai and Ratkovic (2014)が提案した共変量バランシング・プロペンシティ・スコア（CBPS）を実装< doi:10.1111/rssb.12027 >.傾向スコアは、結果として得られる共変量バランスと治療配分の予測を最大化するように推定されます。そのため、この方法では、モデルフィッティングとバランスチェックの間の反復を避けることができます。このパッケージはまた、Fanら(2016) < https://imai.fas.harvard.edu/research/CBPStheory.html >からの最適CBPSを実装しており、横断的なバイナリ治療設定を超えてCBPSをいくつか拡張しています。彼らは、Imai and Ratkovic (2015) < doi:10.1080/01621459.2014.956872 >からの限界構造モデルと組み合わせて使用できるように、縦断的な設定のためのCBPSを含み、3値および4値の治療変数を持つ治療法、Fong, Hazlett, and Imai (2018)からの連続値の治療法を含む< doi:10. 1214/17-AOAS1101 >、Ning, Peng, and Imai (2018)より、多数の共変量を用いたプロペンシティスコア推定、複数の異なるバイナリー治療が同時に投与された状況。将来的には、実験的変数や計測器変数の推定値の一般化など、他の設定にも拡張される予定です。

Comparing Automated Subject Indexing Methods in R

Rにおける自動主題索引付け手法の比較

Perform evaluation of automatic subject indexing methods. The main focus of the package is to enable efficient computation of set retrieval and ranked retrieval metrics across multiple dimensions of a dataset, e.g. document strata or subsets of the label set. The package also provides the possibility of computing bootstrap confidence intervals for all major metrics, with seamless integration of parallel computation and propensity scored variants of standard metrics.

自動主題索引付け手法の評価を行います。本パッケージの主な目的は、データセットの複数の次元（例えば、文書層やラベルセットのサブセット）にわたって、セット検索およびランク付け検索メトリクスを効率的に計算できるようにすることです。また、本パッケージは、並列計算と標準メトリクスの傾向スコア化バリアントをシームレスに統合し、すべての主要メトリクスのブートストラップ信頼区間を計算する機能も提供します。

Multilevel Propensity Score Analysis

マルチレベル傾向スコア分析

Conducts and visualizes propensity score analysis for multilevel, or clustered data. Bryer & Pruzek (2011) <doi:10.1080/00273171.2011.636693>.

多階層、またはクラスタ化されたデータに対して、プロペンシティスコア分析を実施し、可視化します。Bryer & Pruzek (2011) < doi:10.1080/00273171.2011.636693 >.

Healthcare Analysis Methods

ヘルスケア分析手法

Conducts analyses for healthcare program evaluations or intervention studies. Calculates regression analyses for standard ordinary least squares (OLS or linear) or logistic models. Performs regression models used for causal modeling such as differences-in-differences (DID) and interrupted time series (ITS) models. Provides limited interpretations of model results and a ranking of variable importance in models. Performs propensity score models, top-coding of model outcome variables, and can return new data with the newly formed variables. Also performs Cronbach's alpha for various scale items (e.g., survey questions). See Github URL for examples in the README file. For more details on the statistical methods, see Allen & Yen (1979, ISBN:0-8185-0283-5), Angrist & Pischke (2009, ISBN:9780691120355), Harrell (2016, ISBN:978-3-319-19424-0), Kline (1999, ISBN:9780415211581), Linden (2015) <doi:10.1177/1536867X1501500208>, Merlo (2006) <doi:10.1136/jech.2004.029454> Muthen & Satorra (1995) <doi:10.2307/271070>, and Rabe-Hesketh & Skrondal (2008, ISBN:978-1-59718-040-5).

医療プログラムの評価や介入研究のための分析を実施します。標準的な最小二乗法（OLSまたは線形）またはロジスティックモデルの回帰分析を計算します。差分の差（DID）や中断時系列（ITS）モデルなどの因果モデリングに使用される回帰モデルを実行します。モデル結果の限定的な解釈と、モデルにおける変数の重要度のランク付けを提供します。傾向スコアモデル、モデル結果変数のトップコーディングを実行し、新しく形成された変数を含む新しいデータを返すことができます。また、様々な尺度項目（例：アンケート質問）に対してCronbachのα検定を実行します。READMEファイルの例については、GithubのURLをご覧ください。統計手法の詳細については、Allen & Yen (1979, ISBN:0-8185-0283-5)、Angrist & Pischke (2009, ISBN:9780691120355)、Harrell (2016, ISBN:978-3-319-19424-0)、Kline (1999, ISBN:9780415211581)、およびLinden (2015) <doi:10.1177/1536867X1501500208>を参照してください。

Bootstrapping for Propensity Score Analysis

傾向スコア分析のブートストラップ

It is often advantageous to test a hypothesis more than once in the context of propensity score analysis (Rosenbaum, 2012) <doi:10.1093/biomet/ass032>. The functions in this package facilitate bootstrapping for propensity score analysis (PSA). By default, bootstrapping using two classification tree methods (using 'rpart' and 'ctree' functions), two matching methods (using 'Matching' and 'MatchIt' packages), and stratification with logistic regression. A framework is described for users to implement additional propensity score methods. Visualizations are emphasized for diagnosing balance; exploring the correlation relationships between bootstrap samples and methods; and to summarize results.

傾向スコア分析(Rosenbaum, 2012)の文脈では、仮説を複数回検証することがしばしば有利です< doi:10.1093/biomet/ass032 >。このパッケージの機能は、傾向スコア分析(PSA)のブートストラップを容易にします。デフォルトでは、2つの分類ツリー法(「rpart」関数と「ctree」関数を使用)、2つのマッチング方法(「Matching」と「MatchIt」パッケージを使用)、およびロジスティック回帰による層別化を使用したブートストラップ。ユーザーが追加の傾向スコア手法を実装するためのフレームワークについて説明します。バランスを診断するために視覚化が強調されています。ブートストラップサンプルとメソッド間の相関関係を調査します。そして結果をまとめます。

Highly Adaptive Lasso Conditional Density Estimation

高適応な投げ縄条件付き密度推定

An algorithm for flexible conditional density estimation based on application of pooled hazard regression to an artificial repeated measures dataset constructed by discretizing the support of the outcome variable. To facilitate flexible estimation of the conditional density, the highly adaptive lasso, a non-parametric regression function shown to estimate cadlag (RCLL) functions at a suitably fast convergence rate, is used. The use of pooled hazards regression for conditional density estimation as implemented here was first described for by Díaz and van der Laan (2011) <doi:10.2202/1557-4679.1356>. Building on the conditional density estimation utilities, non-parametric inverse probability weighted (IPW) estimators of the causal effects of additive modified treatment policies are implemented, using conditional density estimation to estimate the generalized propensity score. Non-parametric IPW estimators based on this can be coupled with undersmoothing of the generalized propensity score estimator to attain the semi-parametric efficiency bound (per Hejazi, Díaz, and van der Laan <doi:10.48550/arXiv.2205.05777>).

結果変数のサポートを離散化して構築された人工的な反復測定データセットにプールされたハザード回帰を適用することに基づく、柔軟な条件付き密度推定のアルゴリズム。条件付き密度の非パラメトリック/セミパラメトリック推定を容易にするために、高速収束率で多数の関数を確実に推定することが示されている非パラメトリック回帰関数である高度適応型Lassoが利用されます。実装されたプールされたハザード データ拡張定式化は、Díazとvan der Laan (2011) < doi:10.2202/1557-4679.1356 >によって最初に説明されました。条件付き密度推定ユーティリティを補完するために、一般化傾向スコアの構築に密度推定手法を直接利用して、確率的シフト介入(修正された治療方針)の因果効果の効率的な非パラメトリック逆確率加重(IPW)推定を行うツールが提供されます。これらのIPW推定量は、非/セミパラメトリック効率境界を達成するために、条件付き密度推定量のアンダースムージング(ふるい推定)を利用します。

Comprehensive Analysis of Latent Means

潜在平均の包括的分析

Provides a Shiny application to conduct comprehensive analysis of latent means including the examination of group equivalency, propensity score analysis, measurement invariance analysis, and assessment of latent mean differences of equivalent groups with invariant data. Group equivalency and propensity score analyses are implemented using the 'MatchIt' package [Ho et al. (2011) <doi:10.18637/jss.v042.i08>], ensuring robust control for covariates. Structural equation modeling and invariance testing rely heavily on the 'lavaan' package [Rosseel (2012) <doi:10.18637/jss.v048.i02>], providing a flexible and powerful modeling framework. The application also integrates modified functions from Hammack-Brown et al. (2021) <doi:10.1002/hrdq.21452> to support factor ratio testing and the list-and-delete procedure.

グループ同等性の検討、傾向スコア分析、測定不変性分析、不変データを用いた同等グループの潜在平均差の評価など、潜在平均の包括的な分析を実施するためのShinyアプリケーションを提供します。グループ同等性と傾向スコア分析は、「MatchIt」パッケージ[Hoら(2011) <doi:10.18637/jss.v042.i08>]を使用して実装されており、共変量の堅牢な制御を保証します。構造方程式モデリングと不変性検定は、柔軟で強力なモデリングフレームワークを提供する「lavaan」パッケージ[Rosseel (2012) <doi:10.18637/jss.v048.i02>]に大きく依存しています。また、このアプリケーションは、Hammack-Brownら(2021) <doi:10.1002/hrdq.21452>から改良された関数を統合し、因子比検定とリスト削除手順をサポートしています。

Bayesian Dynamic Borrowing with Propensity Score

傾向スコアを用いたベイズ式動的借用法

A tool which aims to help evaluate the effect of external borrowing using an integrated approach described in Lewis et al., (2019) <doi:10.1080/19466315.2018.1497533> that combines propensity score and Bayesian dynamic borrowing methods.

Lewisら(2019) < doi:10.1080/19466315.2018.1497533 >に記載されている、傾向スコア法とベイズ動的借用法を組み合わせた統合的なアプローチを用いて、外部借用の効果を評価することを支援することを目的としたツールです。