Propensity Score Analysis Graphics

傾向スコア分析グラフィックス

A collection of functions that primarily produce graphics to aid in a Propensity Score Analysis (PSA). Functions include: cat.psa and box.psa to test balance within strata of categorical and quantitative covariates, circ.psa for a representation of the estimated effect size by stratum, loess.psa that provides a graphic and loess based effect size estimate, and various balance functions that provide measures of the balance achieved via a PSA in a categorical covariate.

主にプロパンスコア分析（PSA）を支援するためのグラフィックスを生成する関数のコレクションです。関数には、カテゴリカル共変量および量的共変量の層内でのバランスをテストするcat.psaおよびbox.psa、層ごとの推定効果量を表現するcirc.psa、グラフィックおよびloessベースの効果量推定を提供するloess.psa、カテゴリカル共変量のPSAによって達成されたバランスの尺度を提供するさまざまなバランス関数が含まれます。

Bayesian Information Borrowing with Propensity Score Matching

傾向スコアマッチングによるベイズ情報借用

Hybrid control design is a way to borrow information from external controls to augment concurrent controls in a randomized controlled trial and is expected to overcome the feasibility issue when adequate randomized controlled trials cannot be conducted. A major challenge in the hybrid control design is its inability to eliminate a prior-data conflict caused by systematic imbalances in measured or unmeasured confounding factors between patients in the concurrent treatment/control group and external controls. To prevent the prior-data conflict, a combined use of propensity score matching and Bayesian commensurate prior has been proposed in the context of hybrid control design. The propensity score matching is first performed to guarantee the balance in baseline characteristics, and then the Bayesian commensurate prior is constructed while discounting the information based on the similarity in outcomes between the concurrent and external controls. 'psBayesborrow' is a package to implement the propensity score matching and the Bayesian analysis with commensurate prior, as well as to conduct a simulation study to assess operating characteristics of the hybrid control design, where users can choose design parameters in flexible and straightforward ways depending on their own application.

ハイブリッド対照デザインは、ランダム化比較試験において同時対照を補強するために外部対照から情報を借りる方法であり、十分なランダム化比較試験が実施できない場合に実現可能性の問題を克服することが期待されます。ハイブリッド対照デザインにおける主要な課題は、同時治療/対照群と外部対照群の患者間の測定または未測定の交絡因子の系統的な不均衡に起因する先行-データ競合を排除できないことです。事前-データ競合を防ぐために、ハイブリッドコントロールデザインの文脈で、傾向スコアマッチングとベイズ的整合的事前分布の併用が提案されています。まず傾向スコアマッチングを行い、ベースライン特性のバランスを保証し、次にベイズ相応事前分布を構築し、同時対照群と外部対照群の間の結果の類似性に基づく情報を割り引く。「psBayesborrow」は、傾向スコアマッチングと相応事前分布を用いたベイズ分析を実装するパッケージであり、ハイブリッドコントロールデザインの運用特性を評価するシミュレーション研究を実施するためのパッケージでもあります。

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。

Doubly Robust Inference for Cox Marginal Structural Model with Informative Censoring

情報打ち切りを伴うCoxマージナル構造モデルの二重ロバスト推論

Doubly robust estimation and inference of log hazard ratio under the Cox marginal structural model with informative censoring. An augmented inverse probability weighted estimator that involves 3 working models, one for conditional failure time T, one for conditional censoring time C and one for propensity score. Both models for T and C can depend on both a binary treatment A and additional baseline covariates Z, while the propensity score model only depends on Z. With the help of cross-fitting techniques, achieves the rate-doubly robust property that allows the use of most machine learning or non-parametric methods for all 3 working models, which are not permitted in classic inverse probability weighting or doubly robust estimators. When the proportional hazard assumption is violated, CoxAIPW estimates a causal estimated that is a weighted average of the time-varying log hazard ratio. Reference: Luo, J. (2023). Statistical Robustness - Distributed Linear Regression, Informative Censoring, Causal Inference, and Non-Proportional Hazards [Unpublished doctoral dissertation]. University of California San Diego.; Luo & Xu (2022) < doi:10.48550/arXiv.2206.02296 >; Rava (2021) < https://escholarship.org/uc/item/8h1846gs >.

情報的打ち切りを伴うCox限界構造モデルの下での対数ハザード比の二重のロバストな推定と推論。条件付故障時間T、条件付打ち切り時間C、傾向スコアの3つの作業モデルを含む補強逆確率加重推定法。TとCの両モデルは、バイナリ治療Aと追加のベースライン共変量Zの両方に依存し、傾向スコアモデルはZにのみ依存します。クロスフィッティング技術の助けにより、3つの作業モデルすべてについてほとんどの機械学習またはノンパラメトリック手法を使用できる率二重ロバスト特性を達成し、従来の逆確率重み付けまたは二重ロバスト推定量では許されないものです。参考文献Robins & Finkelstein (2000)< doi:10.1111/j.0006-341x.2000.00779.x >; Hernanら(2001)< doi:10.1198/016214501753168154 >を参照してください。

Average Treatment Effects with Measurement Error and Variable Selection for Confounders

測定誤差と交絡因子の変数選択を伴う平均治療効果

A recent method proposed by Yi and Chen (2023) < doi:10.1177/09622802221146308 > is used to estimate the average treatment effects using noisy data containing both measurement error and spurious variables. The package 'AteMeVs' contains a set of functions that provide a step-by-step estimation procedure, including the correction of the measurement error effects, variable selection for building the model used to estimate the propensity scores, and estimation of the average treatment effects. The functions contain multiple options for users to implement, including different ways to correct for the measurement error effects, distinct choices of penalty functions to do variable selection, and various regression models to characterize propensity scores.

Yi and Chen (2023) < doi:10.1177/09622802221146308 >によって提案された最近の方法は、測定誤差とスプリアス変数の両方を含むノイズの多いデータを用いて平均治療効果を推定するために用いられます。パッケージ「AteMeVs」には、測定誤差効果の補正、傾向スコアを推定するためのモデル構築のための変数選択、平均治療効果の推定を含む、ステップバイステップの推定手順を提供する一連の関数が含まれています。この関数には、測定誤差効果の補正のさまざまな方法、変数選択を行うためのペナルティ関数の明確な選択、傾向スコアを特徴づけるためのさまざまな回帰モデルなど、ユーザーが実装できる複数のオプションが含まれています。

Techniques to Build Better Balance

より良いバランスを構築する技術

Build better balance in causal inference models. 'halfmoon' helps you assess propensity score models for balance between groups using metrics like standardized mean differences and visualization techniques like mirrored histograms. 'halfmoon' supports both weighting and matching techniques.

因果関係推論モデルにおいて、より良いバランスを構築します。「halfmoon」は、標準化平均差のようなメトリクスとミラーヒストグラムのような可視化技術を使用して、グループ間のバランスについて傾向スコアモデルを評価するのを助けます。「halfmoon」は、重み付けとマッチングの両方のテクニック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。

Estimation of Conditional Average Treatment Effects with High-Dimensional Data

高次元データを用いた条件付き平均治療効果の推定

A two-step double-robust method to estimate the conditional average treatment effects (CATE) with potentially high-dimensional covariate(s). In the first stage, the nuisance functions necessary for identifying CATE are estimated by machine learning methods, allowing the number of covariates to be comparable to or larger than the sample size. The second stage consists of a low-dimensional local linear regression, reducing CATE to a function of the covariate(s) of interest. The CATE estimator implemented in this package not only allows for high-dimensional data, but also has the 'double robustness' property: either the model for the propensity score or the models for the conditional means of the potential outcomes are allowed to be misspecified (but not both). This package is based on the paper by Fan et al., "Estimation of Conditional Average Treatment Effects With High-Dimensional Data" (2022), Journal of Business & Economic Statistics < doi:10.1080/07350015.2020.1811102 >.

高次元の共変量が含まれる可能性のある条件付き平均治療効果（CATE）を推定するための2段階のダブルロバスト法。第一段階では、CATEを同定するために必要な厄介な関数を機械学習法により推定し、共変量の数をサンプルサイズと同等かそれ以上にすることができます。第2段階では、低次元の局所線形回帰を行い、CATEを目的の共変量（複数可）の関数に還元します。このパッケージで実装されたCATE推定器は、高次元データを可能にするだけでなく、「二重の頑健性」特性を持ちます：傾向スコアのモデルまたは潜在的な結果の条件付き平均のモデルのどちらかが誤仕様化されてもよい（ただし両方は不可）。本パッケージは、Fanらの論文「Estimation of Conditional Average Treatment Effects With High-Dimensional Data」(2022), Journal of Business & Economic Statistics < doi:10.1080/07350015.2020.1811102 >に基づいています。

Causal Inference for Multiple Treatments with a Binary Outcome

バイナリ結果を持つ複数の治療法の因果推論

Different methods to conduct causal inference for multiple treatments with a binary outcome, including regression adjustment, vector matching, Bayesian additive regression trees, targeted maximum likelihood and inverse probability of treatment weighting using different generalized propensity score models such as multinomial logistic regression, generalized boosted models and super learner. For more details, see the paper by Hu et al. < doi:10.1177/0962280220921909 >.

多項ロジスティック回帰、一般化されたブーストモデル、超学習者などの異なる一般化された傾向スコアモデルを用いた、回帰調整、ベクトルマッチング、ベイズ的加法回帰木、標的化された最尤度と治療の逆確率の重み付けを含む、バイナリアウトカムを持つ複数の治療のための因果推論を実施するための異なる方法。詳細は、Liangyuan Hu (2020) < arXiv:2001.06483 >とJennifer L. Hill (2011) < doi:10.1198/jcgs.2010.08162 >の論文を参照してください。

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。