Calculateur d'appariement par score de propension

L'appariement par score de propension est une méthode de conception d'études observationnelles où le traitement n'a pas été attribué aléatoirement. Le score de propension est la probabilité estimée de recevoir le traitement, compte tenu des covariables mesurées avant celui-ci. Des scores proches correspondent à des probabilités de traitement proches selon le modèle. Apparier les observations traitées à des témoins non traités comparables peut améliorer l'équilibre des covariables et rendre la comparaison plus crédible qu'une différence brute de résultats. Ce calculateur effectue un appariement glouton un à un par plus proche voisin, sans remise. Il parcourt les observations traitées dans l'ordre saisi, trouve le témoin inutilisé présentant la plus petite distance absolue de score, l'attribue puis le retire des choix suivants. L'effet moyen du traitement chez les traités, ou ATT, est la moyenne des résultats traités moins ceux des témoins appariés sur toutes les paires. Un ATT positif indique un résultat observé moyen plus élevé chez les traités sur l'échelle retenue. Les listes de scores et de résultats doivent correspondre : le premier score traité appartient au premier résultat traité, et la même règle vaut pour les témoins. Les scores doivent être compris entre zéro et un. Sans remise, le nombre de témoins doit être au moins égal au nombre de traités. Le résultat glouton peut dépendre de l'ordre des traités, notamment lorsque plusieurs se disputent des témoins aux scores proches. Un logiciel d'appariement optimal peut obtenir une distance totale plus faible. La proximité des scores ne prouve pas à elle seule l'équilibre de chaque covariable. Après appariement, examinez les différences moyennes standardisées, les distributions, le recouvrement et la conservation de l'échantillon pour chaque variable initiale importante. Les scores doivent être estimés uniquement à partir de variables mesurées avant traitement, avec les facteurs de confusion plausibles plutôt que les conséquences du traitement. Un faible recouvrement signifie que certains traités n'ont pas de témoins crédibles ; un caliper ou une règle d'élagage est alors souvent préférable à des paires forcées. Une interprétation causale suppose l'absence de facteur de confusion important non mesuré, la possibilité de recevoir le traitement pour les profils pertinents de covariables, l'absence d'interférence entre observations et des modèles correctement spécifiés. L'appariement ne crée pas de randomisation et n'élimine pas les biais cachés. Les erreurs-types doivent aussi tenir compte de l'appariement et de l'estimation des scores. Utilisez ce calculateur léger pour comprendre la formation déterministe des paires et vérifier de petits exemples. Pour une analyse publiable, préférez un logiciel statistique prenant en charge les calipers, les ex æquo, le choix de remise, les diagnostics d'équilibre, la sensibilité et une estimation adaptée de l'incertitude.