Propensity-Score-Matching-Rechner

Propensity Score Matching ist ein Designverfahren für Beobachtungsstudien ohne zufällige Behandlungszuweisung. Ein Propensity Score ist die geschätzte Wahrscheinlichkeit einer Behandlung bei gegebenen, vor der Behandlung gemessenen Kovariaten. Beobachtungen mit ähnlichen Scores haben im Modell ähnliche Behandlungswahrscheinlichkeiten. Die Zuordnung behandelter Beobachtungen zu vergleichbaren unbehandelten Kontrollen kann die Kovariatenbalance verbessern und einen glaubwürdigeren Vergleich als eine unbereinigte Ergebnisdifferenz schaffen. Dieser Rechner führt ein gieriges Eins-zu-eins-Nearest-Neighbor-Matching ohne Zurücklegen durch. Er betrachtet behandelte Beobachtungen in Eingabereihenfolge, sucht die ungenutzte Kontrolle mit dem kleinsten absoluten Score-Abstand, ordnet sie zu und entfernt sie aus den späteren Kandidaten. Der ausgegebene mittlere Behandlungseffekt bei Behandelten, kurz ATT, ist der Mittelwert der behandelten Ergebnisse minus der jeweiligen Kontrollergebnisse über alle Paare. Ein positiver ATT bedeutet auf der gewählten Ergebnisskala einen höheren beobachteten Mittelwert bei den Behandelten. Score- und Ergebnislisten müssen zusammenpassen: Der erste behandelte Score gehört zum ersten behandelten Ergebnis; für Kontrollen gilt dasselbe. Propensity Scores müssen zwischen null und eins liegen. Da ohne Zurücklegen zugeordnet wird, muss es mindestens so viele Kontrollen wie Behandelte geben. Gierige Ergebnisse können von der Reihenfolge der Behandelten abhängen, besonders wenn mehrere um Kontrollen mit ähnlichen Scores konkurrieren. Software für optimales Matching kann einen geringeren Gesamtabstand erzielen. Ein ähnlicher Score beweist allein nicht, dass jede Kovariate ausgeglichen ist. Prüfen Sie nach dem Matching für jede wichtige Ausgangsvariable standardisierte Mittelwertdifferenzen, Verteilungen, Überlappung und Stichprobenerhalt. Schätzen Sie Scores nur aus vor der Behandlung gemessenen Variablen und berücksichtigen Sie plausible Störfaktoren statt Behandlungsfolgen. Geringe Überlappung bedeutet, dass manchen Behandelten glaubwürdige Kontrollen fehlen. Dann sind ein Caliper oder eine Trimmregel meist besser als erzwungene Zuordnungen. Eine kausale Deutung setzt voraus, dass keine wichtigen unbeobachteten Störfaktoren bestehen, Behandlung bei relevanten Kovariatenmustern möglich ist, Beobachtungen einander nicht beeinflussen und die Modelle angemessen spezifiziert sind. Matching erzeugt keine Randomisierung und beseitigt keine verborgene Verzerrung. Auch Standardfehler benötigen Verfahren, die Matching und Score-Schätzung berücksichtigen. Nutzen Sie diesen schlanken Rechner, um deterministische Paarbildung zu verstehen und kleine Beispiele nachzuvollziehen. Für veröffentlichungsfähige Analysen ist Statistiksoftware mit Calipern, Behandlung von Gleichständen, Wahl des Zurücklegens, Balance-Diagnostik, Sensitivitätsanalyse und geeigneter Unsicherheitsschätzung erforderlich.