Propensity Score, Matching, dan Overlap

Firma, pelabur dan pasaran jarang menerima sesuatu dasar secara rawak. Saiz, risiko, tadbir urus, kecairan dan pertumbuhan yang dijangka boleh mempengaruhi penerimaan dasar serta hasil kemudiannya

Oleh itu, jurang hasil mentah mencampurkan kesan rawatan dengan perbezaan sedia ada. Pelarasan regresi menghadapi masalah pengenalpastian yang sama melainkan andaiannya boleh dipertahankan

Soalan reka bentuk datang dahulu: antara unit yang manakah rawatan boleh berubah secara munasabah, dan fakta sebelum rawatan yang manakah menerangkan pilihan itu?

Bagi kovariat X, skor kecenderungan e(X) ialah kebarangkalian rawatan bersyarat pada X. Unit dengan skor yang sama sepatutnya mempunyai taburan X yang diukur dan serupa

Sifat pengimbangan ini mengurangkan perbandingan berdimensi banyak kepada satu skor, tetapi hanya bagi pemboleh ubah yang dibekalkan sebelum rawatan. Ketepatan ramalan bukan matlamatnya

Model itu hendaklah mencerminkan penugasan rawatan dan pengetahuan substantif. Pemboleh ubah selepas rawatan dan collider boleh memperkenalkan bias dan bukannya menghapuskannya

Kaedah skor kecenderungan memerlukan kebolehbertukaran bersyarat: selepas dikondisikan pada kovariat yang diperhatikan, penugasan rawatan tidak berkaitan dengan hasil berpotensi yang dibandingkan

Pernyataan itu tidak boleh disahkan daripada data yang dipadankan sahaja. Jangkaan yang tidak dimasukkan, isyarat peribadi atau kebolehan pengurusan mungkin masih memacu rawatan dan prestasi

Maka, pemadanan ialah alat reka bentuk, bukan sijil sebab-akibat. Kawalan negatif, penaakulan institusi dan analisis sensitiviti perlu menangani pengeliruan yang tidak diukur

Positivity bermaksud setiap profil kovariat yang berkaitan mempunyai peluang bermakna untuk muncul dalam kedua-dua kumpulan. Skor yang hampir kepada sifar atau satu menunjukkan sokongan bersama yang tipis

Tiada model boleh menghasilkan analog tidak dirawat bagi unit dirawat di luar populasi penderma. Ekstrapolasi di situ menjadikan hasil bergantung pada bentuk fungsi dan bukannya bukti

Caliper, pemangkasan dan pemberat pertindihan boleh meningkatkan kestabilan, tetapi ia mengubah populasi sasaran. Estimand yang disemak mesti dinamakan, bukan disembunyikan

Pemadanan jiran terdekat atau caliper membina sampel perbandingan. Subkelas membandingkan jalur skor, manakala pemberat kebarangkalian songsang mencipta populasi pseudo berwajaran

Pemberat untuk kesan rawatan purata berbeza daripada pemberat untuk kesan terhadap unit yang dirawat. Pemberat pertindihan memberi lebih penekanan kepada unit yang status rawatannya paling tidak pasti

Pilihan mempengaruhi bias, varians dan tafsiran. Penggunaan semula kawalan, pembuangan unit dirawat dan penganggaran skor semuanya mempengaruhi ketidakpastian dan hendaklah dimasukkan dalam inferens

Selepas pelarasan, bandingkan setiap kovariat menggunakan perbezaan min piawai dan plot taburan. AUC model rawatan yang tinggi bukan bukti imbangan yang baik

Periksa taburan propensity, bilangan yang tidak dipadankan, saiz sampel berkesan dan pemberat terbesar. Beberapa pemerhatian ekstrem boleh mendominasi anggaran secara senyap

Hasil hendaklah kekal tersembunyi ketika reka bentuk ditala. Jika tidak, pilihan pemadanan berulang boleh menjadi carian spesifikasi yang dipacu hasil

Anggap firma yang menerima peraturan pendedahan kemudiannya berdagang pada kos yang lebih rendah. Pemadanan mungkin membandingkan firma penerima dengan firma yang serupa dari segi saiz, turun naik, pemilikan dan kecairan terdahulu

Ia tetap gagal jika penerimaan berlaku selepas pelan pembiayaan yang tidak diukur dan pelan itu juga meningkatkan kecairan. Masa serta rekod keputusan lebih penting daripada senarai kovariat yang panjang

Laporkan tarikh rawatan, tetingkap sebelum rawatan, kovariat, plot pertindihan, jadual imbangan, estimand, pemberat, pengecualian, ketidakpastian kesan dan sensitiviti bias tersembunyi

Hasil terkuat bukanlah hasil yang menggunakan setiap pemerhatian. Ia ialah hasil yang disokong oleh populasi yang benar-benar mempunyai padanan yang boleh dipercayai

Asingkan pencapaian reka bentuk yang diperhatikan—imbangan kovariat yang lebih baik—daripada tuntutan sebab-akibat yang tidak boleh diuji—tiada pengeliruan tersembunyi yang penting masih wujud

Jika anggaran berubah dengan ketara merentas caliper, peraturan pemangkasan atau senario bias tersembunyi yang munasabah, ketidakpastian tentang reka bentuk hendaklah menjadi sebahagian daripada kesimpulan