Me interesan los datos de observación en los que la asignación del tratamiento puede explicarse extremadamente bien. Por ejemplo, una regresión logística de
si asignación de tratamiento y covariables se ajustan muy bien con prueba muy alta o incluso . Esta es una buena noticia para la precisión del modelo de propensión, pero conduce a estimaciones de puntaje de propensión cerrar a o . Estos a su vez conducen a grandes pesos de probabilidad inversa y utilizados en estimadores como el estimador de probabilidad inversa ponderado de expectativa de resultado (observación bajo tratamiento):
Sospecho que esto hace que las variaciones de las estimaciones sean muy grandes.
Parece un círculo vicioso que los modelos de puntuación de propensión muy discriminativos conducen a pesos extremos.
Mi pregunta : ¿cuáles son las opciones disponibles para hacer este análisis más robusto? ¿Existen alternativas para ajustarse al modelo de puntaje de propensión o cómo lidiar con grandes pesos después de que el modelo se haya ajustado?
Respuestas:
Esta es una buena detección. Te refieres a la suposición de positividad. Requiere que haya participantes expuestos y no expuestos en cada combinación de los valores de los factores de confusión observados en la población en estudio. Las violaciones de positividad ocurren cuando ciertos subgrupos en una muestra rara vez o nunca reciben algunos tratamientos de interés. Hay muchos documentos sobre este tema, como Austin y Stuart (2015) y Peterson et al. (2012) . Puede buscar más en línea.
fuente