औसत और सीमांत उपचार प्रभाव के बीच अंतर

मैं कुछ पत्र पढ़ रहा हूं, और मैं औसत उपचार प्रभाव (एटीई), और सीमांत उपचार प्रभाव (एमटीई) की विशिष्ट परिभाषाओं के बारे में स्पष्ट नहीं हूं। क्या यह वही है?

ऑस्टिन के अनुसार ...

एक सशर्त प्रभाव औसत स्तर है, विषय स्तर पर, किसी विषय को अनुपचारित से इलाज तक ले जाने का। एक बहुक्रियाशील प्रतिगमन मॉडल से उपचार असाइनमेंट संकेतक चर के लिए प्रतिगमन गुणांक एक सशर्त या समायोजित प्रभाव का अनुमान है। इसके विपरीत, एक सीमांत प्रभाव जनसंख्या के स्तर पर औसत प्रभाव है, एक पूरी आबादी को अनुपचारित से इलाज के लिए स्थानांतरित करने के लिए [10]।रैखिक उपचार प्रभाव (साधनों में अंतर और अनुपात में अंतर) आपस में जुड़े होते हैं: सशर्त और सीमांत उपचार प्रभाव मेल खाएंगे। हालांकि, जब परिणाम प्रकृति में घटना के लिए द्विआधारी या समय होते हैं, तो ऑड्स अनुपात और खतरनाक अनुपात समाप्‍त नहीं होते हैं [11]। रोसेनबॉम ने कहा है कि प्रवृत्ति स्कोर विधियाँ सशर्त, प्रभाव [12] के बजाय सीमांत का अनुमान लगाने की अनुमति देती हैं। सीमांत उपचार प्रभावों का अनुमान लगाने के लिए विभिन्न प्रवृत्ति स्कोर विधियों के प्रदर्शन में अनुसंधान की एक कमी है।

लेकिन एक अन्य ऑस्टिन पेपर में , वह कहते हैं

$Y_i(1)- Y_i(0)$ $E[Y_i(1)- Y_i(0)]$

तो सवाल है कि मेरे पास है ... औसत उपचार प्रभाव और सीमांत उपचार प्रभाव के बीच अंतर क्या है?

साथ ही, मुझे अपने अनुमान को कैसे वर्गीकृत करना चाहिए? मेरे पास एक प्रवृत्ति स्कोर है (IPTW) कॉक्स मॉडल। मेरा एकमात्र सहसंयोजक उपचार संकेतक है। क्या परिणामी खतरे के अनुपात को एटीई या एमटीई माना जाना चाहिए?

संपादित करें : भ्रम की स्थिति में जोड़ने के लिए, गुओ ने अपनी पुस्तक के प्रसार स्कोर विश्लेषण में दावा किया है कि सीमांत उपचार प्रभाव है

... उदासीनता (ईओटीएम) के मार्जिन पर लोगों के लिए उपचार प्रभाव का विशेष मामला। कुछ नीति और अभ्यास स्थितियों में, सीमांत और औसत रिटर्न के बीच अंतर करना महत्वपूर्ण है। उदाहरण के लिए, कॉलेज जाने वाला औसत छात्र सीमांत छात्र की तुलना में बेहतर (यानी उच्च ग्रेड) कर सकता है जो स्कूल जाने या न जाने के बारे में उदासीन है।

मुझे ऐसा लगता है कि इसे नमक के एक दाने के साथ लिया जाना चाहिए, क्योंकि यह सामाजिक विज्ञान के लिए निर्देशित है (जहां मेरा मानना है कि सीमांत की एक अलग परिभाषा है), लेकिन मुझे लगा कि मैं इसे यहां प्रदर्शित करने के लिए शामिल करूंगा कि मैं क्यों भ्रमित हूं।

— RayVelcoro
स्रोत

आप सही कह रहे हैं कि "सीमांत" का अर्थ अर्थशास्त्र में कुछ अलग है। वहां, इसका मतलब 1 और जोड़ने का प्रभाव हो सकता है , जो बिना शर्त के समान नहीं है । उदाहरण के लिए, अगर हमने IQ द्वारा उतरे हुए कॉलेज आवेदकों को छांटा है, और 1 को स्वीकार किया है: और मैंने स्वीकार नहीं किया है (i + 1): N, हम पूछ सकते हैं कि क्या (i + 1) वें आवेदक के लिए कॉलेज का लाभ समान है शीर्ष i आवेदकों के लिए अर्जित लाभ का औसत। उस स्थिति में लाभ शायद कम होगा, लेकिन बड़े पैमाने पर रिटर्न बढ़ने / बढ़ने की स्थिति में लाभ अधिक हो सकता है।

— गुंग - को पुनः स्थापित मोनिका

जैसा कि आपने कुछ जानकारी दी है, दोनों समान नहीं हैं। मुझे सशर्त (कोवरिएट्स पर) और बिना शर्त (सीमांत) अनुमानों की शब्दावली बेहतर लगती है। एक बहुत ही सूक्ष्म भाषा की समस्या है जो इस मुद्दे को बहुत अधिक प्रभावित करती है। विश्लेषक जो "जनसंख्या औसत प्रभाव" को पसंद करते हैं, एक नमूने से ऐसे प्रभावों का अनुमान लगाने की कोशिश करने की एक खतरनाक प्रवृत्ति हैविषय विशेषताओं के किसी भी जनसंख्या वितरण के लिए कोई संदर्भ नहीं है। इस अर्थ में अनुमानों को जनसंख्या औसत अनुमान नहीं कहा जाना चाहिए, बल्कि इसे नमूना औसत अनुमान कहा जाना चाहिए। यह ध्यान रखना बहुत महत्वपूर्ण है कि नमूना औसत अनुमानों में आबादी के लिए परिवहन योग्य होने का कम मौका होता है जहां से नमूना वास्तव में किसी भी आबादी में आया था। इसका एक कारण कुछ हद तक मनमाना चयन मानदंड है कि विषय किस तरह से अध्ययन में आते हैं।

एक उदाहरण के रूप में, यदि किसी ने इलाज ए और उपचार बी की तुलना सेक्स के लिए समायोजित बाइनरी लॉजिस्टिक मॉडल में की है, तो एक उपचार प्रभाव प्राप्त करता है जो पुरुषों और महिलाओं दोनों के लिए विशिष्ट है। यदि मॉडल से सेक्स चर छोड़ा जाता है, तो उपचार के लिए एक नमूना औसत अंतर अनुपात प्रभाव प्राप्त होता है। यह प्रभाव बी के कुछ पुरुषों की तुलना में इलाज बी पर कुछ महिलाओं के साथ तुलना में है, बाधाओं के अनुपात की गैर-ढहने की वजह से। यदि कोई एक अलग महिला के साथ आबादी थी: पुरुष आवृत्ति, उपचार के लिए मामूली औसत अनुपात से आने वाला यह औसत उपचार प्रभाव अब लागू नहीं होगा।

इसलिए यदि कोई ऐसी मात्रा चाहता है जो व्यक्तिगत विषयों से संबंधित हो, तो कोवरिएट्स पर पूर्ण कंडीशनिंग की आवश्यकता होती है। और ये सशर्त अनुमान वे हैं जो आबादी में ले जाते हैं, न कि तथाकथित "जनसंख्या औसत" अनुमान।

इसके बारे में सोचने का एक और तरीका: उपचार को बिना किसी उपचार की तुलना करने के लिए एक आदर्श अध्ययन के बारे में सोचें। यह एक बहु-अवधि रैंडमाइज़्ड क्रॉसओवर अध्ययन होगा। फिर अगले सर्वश्रेष्ठ अध्ययन के बारे में सोचें: समान जुड़वा बच्चों पर एक यादृच्छिक परीक्षण जहां प्रत्येक जोड़े में से एक जुड़वाँ को बेतरतीब ढंग से इलाज ए प्राप्त करने के लिए चुना जाता है और दूसरे को उपचार बी के लिए चुना जाता है। इन दोनों आदर्श अध्ययनों को पूर्ण कंडीशनिंग द्वारा नकल किया जाता है। यानी, सामान्य रूप से समानांतर समूह यादृच्छिक नियंत्रित परीक्षण से सशर्त और सीमांत प्रभाव प्राप्त करने के लिए पूर्ण सहसंयोजक समायोजन।

— फ्रैंक हैरेल
स्रोत

आपके जवाब के लिए धन्यवाद। मैं यह सुनिश्चित करने के लिए चाहता हूं कि मेरे प्रश्न के संदर्भ में आपने जो कहा है, मैं उसे समझता हूं। मैं व्यक्ति पर उपचार के प्रभाव की तलाश नहीं कर रहा हूं, बल्कि, मैं आबादी का सामान्यीकरण करना चाह रहा हूं (भले ही इसका मतलब केवल नमूना हो, न कि सच्ची आबादी)। जब मैं केवल उपचार पर एक IPTW भारित कॉक्स मॉडल चलाता हूं, तो यह बिना शर्त है, इस प्रकार, यह MARGINT उपचार प्रभाव का अनुमान लगाता है। जब मैं मॉडल में कुछ दिखावा करने वाले सहसंयोजकों में जाता हूं और इसे जोड़ता हूं (अर्थात इसे एक दोहरा मजबूत अनुमानक बनाता हूं), तो मैं CONDITIONAL / AVERAGE उपचार प्रभाव का अनुमान लगा रहा हूं।

— रेवेल्कोरो

यह सही है, यह सिर्फ इतना है कि आपकी परिभाषा में सीमांत उपचार प्रभाव वास्तव में कोवरिएट मूल्यों के पूरे नमूना वितरण पर सशर्त है, इसलिए इस अर्थ में कि यह अनुमान नहीं लगाता है कि किसी को भी इसमें रुचि नहीं होनी चाहिए। कोविरेट के संयोजन पर सशर्त अनुमान स्थिति। विशिष्ट विषय और रुचि के विषय के अलावा अन्य विषयों के सहसंयोजक मूल्यों पर सशर्त नहीं हैं।

— फ्रैंक हरेल