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。

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 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周辺構造モデルによる対数ハザード比の二重ロバスト推定と推論。条件付き故障時間T、条件付き打ち切り時間C、傾向スコアの3つの作業モデルを含む拡張逆確率加重推定量。TとCの両方のモデルは、バイナリ処理Aと追加のベースライン共変量Zの両方に依存できますが、傾向スコア モデルはZのみに依存します。クロスフィッティング手法の助けを借りて、従来の逆確率加重または二重ロバスト推定量では許可されていない、3つの作業モデルすべてに対し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、レート二重ロバストなプロパティを実現します。比例ハザード仮定に違反する場合、CoxAIPWは、時間変動対数ハザード比の加重平均である因果推定値を推定します。参考文献: Luo, J. (2023)。統計的堅牢性-分散線形回帰、情報的打ち切り、因果推論、および非比例ハザード[未発表博士論文]。カリフォルニア大学サンディエゴ校。; Luo & Xu (2022) < doi:10.48550/arXiv.2206.02296 >; Rava (2021) < https://escholarship.org/uc/item/8h1846gs >。

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。