प्रवृत्ति स्कोर वेटिंग में उपचार भार (IPTWs) के व्युत्क्रम संभावना के लिए सहज व्याख्या?

मैं स्कोर का उपयोग करके वजन की गणना करने के यांत्रिकी को समझता हूं : और फिर एक प्रतिगमन विश्लेषण में भार लागू करते हैं, और यह कि वजन कम होता है "नियंत्रण के लिए" या परिणाम चर के साथ समूह की आबादी के उपचार और नियंत्रण में कोवरिएट्स के प्रभाव को अलग करें। $p(x_i)$

\begin{aligned} w_{i, j = t r e a t} & = \frac{1}{p (x_{i})} \\ w_{i, j = c o n t r o l} & = \frac{1}{1 - p (x_{i})} \end{aligned}

$\begin{align} w_{i, j={\rm treat}} &= \frac{1}{p(x_i)} \\[5pt] w_{i, j={\rm control}} &= \frac{1}{1-p(x_i)} \end{align}$

हालांकि एक आंत के स्तर पर मुझे समझ नहीं आता है कि यह कैसे प्राप्त होता है, और समीकरणों का निर्माण क्यों किया जाता है।

intuition weighted-regression propensity-scores

— RobertF
स्रोत

में दी गई जानकारी को प्राप्त करने के लिए गणना की गई प्रवृत्ति स्कोर विषय की संभावना है । IPTW प्रक्रिया बनाने की कोशिश करता जवाबी तथ्यात्मक प्रवृत्ति स्कोर का उपयोग कर निष्कर्ष अधिक प्रमुख। उपचार प्राप्त करने की उच्च संभावना होने और फिर वास्तव में उपचार प्राप्त करने की अपेक्षा की जाती है, वहां कोई भी प्रतिकूल जानकारी नहीं है। उपचार प्राप्त करने की कम संभावना होने और वास्तव में उपचार प्राप्त करना असामान्य है और इसलिए यह अधिक जानकारीपूर्ण है कि उपचार इसे प्राप्त करने की कम संभावना वाले विषयों को कैसे प्रभावित करेगा; अर्थात। विशेषताएँ अधिकतर नियंत्रण विषयों से जुड़ी होती हैं। इसलिए उपचार विषय के लिए भार है $p(x_i)$ $i$ $X$ $\text{w}_{i,j=\text{treat}} = \frac{1}{p(x_i)}$ संभावना कम / अत्यधिक जानकारीपूर्ण उपचार विषयों के लिए अधिक वजन जोड़ने। इसी विचार के बाद, यदि किसी नियंत्रण विषय में उपचार प्राप्त करने की एक बड़ी संभावना है, तो यह इस बात का एक सूचनात्मक संकेतक है कि यदि वे नियंत्रण समूह में थे, तो उपचार में विषयों का व्यवहार कैसा होगा। इस मामले में नियंत्रण विषयों के लिए भारांक और अधिक वजन को असंभावित / अत्यधिक-जानकारीपूर्ण नियंत्रण में जोड़ रहा है विषयों। वास्तव में, पहली बार के समीकरण कुछ हद तक अनियंत्रित दिखाई दे सकते हैं लेकिन मुझे लगता है कि उन्हें आसानी से एक काउंटर-तथ्यात्मक तर्क के तहत समझाया गया है। अंतत: सभी मिलान / PSM / वेटिंग रूटीन हमारे अवलोकन डेटा में एक अर्ध-प्रायोगिक ढांचे को स्केच करने की कोशिश करते हैं; एक नया आदर्श $\text{w}_{i,j=\text{control}} = \frac{1}{1-p(x_i)}$ प्रयोग।

यदि आप उनके पार नहीं आए हैं, तो मैं आपको दृढ़ता से स्टुअर्ट (2010) पढ़ने का सुझाव देता हूं: मिलान करने के तरीके: इंजेक्शन के लिए तरीके: एक समीक्षा और एक लुक फॉरवर्ड और थोमेम्स और किम (2011): सामाजिक विज्ञान में प्रोग्रेसिव स्कोर के तरीकों की एक व्यवस्थित समीक्षा ; दोनों अच्छी तरह से लिखे गए हैं और मामले पर अच्छी प्रविष्टियों के कागजात हैं। इसके अलावा इस उत्कृष्ट 2015 व्याख्यान की जांच करें कि किंग द्वारा मिलान करने के लिए प्रॉपर्टीज स्कोर्स का उपयोग क्यों नहीं किया जाना चाहिए । उन्होंने वास्तव में मुझे इस विषय पर अपने अंतर्ज्ञान का निर्माण करने में मदद की।

— usεr11852
स्रोत

धन्यवाद, शानदार जवाब! निश्चित रूप से, वजन सूत्र के पीछे तर्क स्पष्ट है। मैंने 2015 के राजा के लेख को देखा है। बहुत जानकारीपूर्ण है, हालांकि अगर मैं w / आउट ट्रिमिंग से प्रॉपर्टीज स्कोर के साथ उत्कृष्ट संतुलन हासिल करता हूं, तो प्रॉपर्टीज स्कोर का उपयोग क्यों न करें?

— राबर्टएफ

मुझे खुशी है कि आप इसे मददगार पाएंगे। किंग (2015) के बारे में: यदि हम पीएसएम के माध्यम से उत्कृष्ट संतुलन हासिल करते हैं तो हमें पीएसएम का उपयोग करना चाहिए। मुद्दा यह है कि पीएसएम आम तौर पर उत्कृष्ट संतुलन हासिल नहीं करता है क्योंकि हमारे पास पूरी तरह से अवरुद्ध यादृच्छिक प्रयोगात्मक डिजाइन में होगा क्योंकि यह ऐसा करने के लिए डिज़ाइन नहीं किया गया था।

— us --r11852

शानदार उत्तर, @ usεr11852

— निकोग

धन्यवाद। यह कहना आपके लिए अच्छा है।

— us --r11852