- Veröffentlicht
- Aktualisiert
Die Anwendung einer Propensity-Score-Methode garantiert nicht, dass jede Person ein vergleichbares Gegenüber oder ausreichende Vergleichsinformationen hat. Fehlende Überlappung wichtiger Merkmale kann verändern, für welche Personen ein geschätzter Effekt sinnvoll Aussagen erlaubt.
Fragestellung und Annahmen festlegen
Definieren Sie zuerst Zielpopulation und angestrebten Effekt. Untersuchen Sie Scoreverteilungen, Kovariatenausgewogenheit und Gewichte gemeinsam. Extreme Gewichte oder Personen ohne Matchingpartner sind nicht bloß technische Unannehmlichkeiten: Sie können Bereiche anzeigen, in denen die Daten den Vergleich nicht stützen. Begründen Sie Ausschluss- oder Trimmregeln im Verhältnis zum wissenschaftlichen Zweck und zur resultierenden Population.
Hypothetisches Studienbeispiel
In einem hypothetischen Datensatz erhalten schwer betroffene Personen fast immer eine bestimmte Intervention. Nach dem Matching bleibt der Großteil von ihnen außerhalb der Analyse. Das Team überträgt das Ergebnis der beibehaltenen Stichprobe nicht auf die gesamte ursprüngliche Population; es berichtet die veränderte Zielpopulation und Profile ohne ausreichende Repräsentation.
Prüfpunkte für die Designbewertung
- Zeigen Sie Scoreverteilungen und Bereiche ohne Überlappung getrennt für beide Gruppen.
- Prüfen Sie große Gewichte und die Konzentration des Einflusses auf die resultierende Schätzung.
- Beschreiben Sie Änderungen der Zielpopulation nach Matching, Trimmen oder anderen Auswahlschritten.
Entscheidung und ihre Grenzen dokumentieren
Eine akzeptierte Berichterstattung enthält neben dem Methodennamen Belege zu Ausgewogenheit und Überlappung. Ausgewogenheit bei gemessenen Kovariaten belegt keine Ausgewogenheit bei nicht gemessenen Confoundern. Wählen Sie Analyseregeln nicht nach Kenntnis der dadurch erzeugten Ergebnisse. Erörtern Sie verbleibende Datenbasis, angestrebten Effekt und Übertragbarkeit gemeinsam mit der numerischen Unsicherheit der Schätzung.
Häufig gestellte Fragen
- Belegt ein gutes Scoremodell eine gute Kausalanalyse?
- Nicht allein. Auch Überlappung, Messung und Confounding-Annahmen sind relevant.
- Sind Personen ohne Matchingpartner unwichtig?
- Nein. Ihr Ausschluss kann die Population verändern, für die Schlussfolgerungen gelten.