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。

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>。

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>.

観察研究および無作為化試験の傾向スコア重み付け分析をサポートします。オーバーラップ重み(ATO)、治療ウェイトの逆確率(ATE)、処理されたウェイトの平均処理効果(ATT)、マッチングウェイト(ATM)、およびエントロピーウェイト(ATEN)を使用して、バイナリ処理および多重処理による平均因果効果の推定と推論を可能にします。これは、傾向スコアのトリミングの有無にかかわらずです。これらのウェイトは、Li, Morgan and Zaslavsky (2018) < doi:10.1080/01621459.2016.1260466 > and Li and Li (2019) < doi:10.1214/19-AOAS1282 >で導入されたバランシングウェイトのファミリーのメンバーです。

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。

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。

Sample Size Calculation for Propensity Score Analysis

傾向スコア分析のサンプルサイズ計算

Sample size calculations in causal inference with observational data are increasingly desired. This package is a tool to calculate sample size under prespecified power with minimal summary quantities needed.

観測データを用いた因果推論におけるサンプルサイズの計算がますます望まれるようになっています。このパッケージは、事前に指定された検出力でサンプルサイズを計算するためのツールで、必要なサマリー量は最小限に抑えられます。

Survival Proximity Score Matching in Multi-State Survival Model

マルチステート生存モデルにおける生存近接スコアマッチング

Implements survival proximity score matching in multi-state survival models. Includes tools for simulating survival data and estimating transition-specific coxph models with frailty terms. The primary methodological work on multistate censored data modeling using propensity score matching has been published by Bhattacharjee et al.(2024) < doi:10.1038/s41598-024-54149-y >.

生存近接スコアのマッチングをマルチステート生存モデルに実装します。生存データをシミュレートし、フレイル項を使用して遷移固有のcoxphモデルを推定するためのツールが含まれています。傾向スコアマッチングを用いたマルチステート打ち切りデータモデリングに関する主要な方法論的研究は、Bhattacharjeeら(2024) < doi:10.1038/s41598-024-54149-y >によって発表されています。

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。