Средний лечебный эффект - Average treatment effect

В средний лечебный эффект (СЪЕЛ) - это мера, используемая для сравнения методов лечения (или вмешательств) в рандомизированных экспериментах, оценки политических вмешательств и медицинских испытаний. ATE измеряет разницу в иметь в виду (средние) результаты между единицами, назначенными для лечения, и единицами, назначенными для контроля. В рандомизированное испытание (т.е. экспериментальное исследование), средний лечебный эффект может быть по оценкам из выборки с использованием сравнения средних результатов для леченых и необработанных единиц. Тем не менее, ATE обычно понимается как причинный параметр (т.е. оценка или свойство численность населения ), которые исследователь желает знать, без ссылки на Дизайн исследования или процедура оценки. Обе наблюдательный исследования и планы экспериментальных исследований со случайным распределением могут позволить оценивать ATE различными способами.

Общее определение

Термин «лечение», возникший в результате раннего статистического анализа в области сельского хозяйства и медицины, теперь применяется в более общем плане к другим областям естественных и социальных наук, особенно психология, политическая наука, и экономика такие как, например, оценка воздействия государственной политики. Природа лечения или результат относительно не важны для оценки ATE - то есть, расчет ATE требует, чтобы лечение применялось к одним единицам, а не к другим, но характер этого лечения (например, фармацевтический , поощрительная выплата, политическая реклама) не имеет отношения к определению и оценке ATE.

Выражение «эффект лечения» относится к причинному эффекту данного лечения или вмешательства (например, введения лекарственного средства) на интересующую переменную исхода (например, здоровье пациента). в «Рамки потенциальных результатов» Неймана-Рубина из причинность Эффект лечения определяется для каждой отдельной единицы с точки зрения двух «потенциальных результатов». У каждого блока есть один результат, который проявился бы, если бы блок подвергался лечению, и другой результат, который проявился бы, если бы блок был подвергнут контролю. «Эффект лечения» - это разница между этими двумя потенциальными исходами. Однако этот эффект лечения на индивидуальном уровне ненаблюдаем, потому что отдельные единицы могут получать только лечение или контроль, но не оба сразу. Случайное назначение к лечению гарантирует, что единицы, назначенные лечению, и единицы, назначенные контролю, идентичны (на протяжении большого количества итераций эксперимента). Действительно, единицы в обеих группах имеют одинаковые распределения из ковариаты и потенциальные результаты. Таким образом, средний результат среди лечебных отделений служит контрфактический для среднего результата среди блоков управления. Разница между этими двумя средними значениями - это ATE, которая является оценкой основная тенденция распределения ненаблюдаемых эффектов лечения на индивидуальном уровне.^[1] Если выборка случайным образом формируется из совокупности, ATE выборки (сокращенно SATE) также является оценкой ATE совокупности (сокращенно PATE).^[2]

Пока эксперимент обеспечивает в ожидание, что потенциальные исходы (и все ковариаты) одинаково распределены в экспериментальной и контрольной группах, это не так в случае обсервационное исследование. В наблюдательном исследовании единицы не назначаются для лечения и контроля случайным образом, поэтому их назначение для лечения может зависеть от ненаблюдаемых или ненаблюдаемых факторов. Наблюдаемые факторы можно контролировать статистически (например, с помощью регресс или же соответствие ), но любая оценка ATE может быть сбит с толку ненаблюдаемыми факторами, которые повлияли на то, какие единицы получали лечение по сравнению с контролем.

Формальное определение

Чтобы формально определить ATE, мы определяем два возможных результата: ${displaystyle y_{0}(i)}$ значение переменной результата для индивидуального ${displaystyle i}$ если их не лечить, ${displaystyle y_{1}(i)}$ значение переменной результата для индивидуального ${displaystyle i}$ если их лечить. Например, ${displaystyle y_{0}(i)}$ состояние здоровья человека, если ему не вводят исследуемый препарат и ${displaystyle y_{1}(i)}$ состояние здоровья, если им вводят препарат.

Эффект лечения индивидуальный ${displaystyle i}$ дан кем-то ${displaystyle y_{1}(i)-y_{0}(i)=eta (i)}$. В общем случае нет оснований ожидать, что этот эффект будет постоянным для разных людей. Средний лечебный эффект дает

${displaystyle { ext{ATE}}={frac {1}{N}}sum _{i}(y_{1}(i)-y_{0}(i))}$

где суммирование происходит по всем ${displaystyle N}$ особей в популяции.

Если бы мы могли наблюдать за каждым человеком, ${displaystyle y_{1}(i)}$ и ${displaystyle y_{0}(i)}$ среди большой репрезентативной выборки населения мы могли бы оценить ATE, просто взяв среднее значение ${displaystyle y_{1}(i)-y_{0}(i)}$ по образцу. Однако мы не можем наблюдать оба ${displaystyle y_{1}(i)}$ и ${displaystyle y_{0}(i)}$ для каждого человека, поскольку человека нельзя одновременно лечить и не лечить. Например, в примере с лекарством мы можем только наблюдать ${displaystyle y_{1}(i)}$ для лиц, получивших препарат и ${displaystyle y_{0}(i)}$ для тех, кто не получил. Это основная проблема, с которой сталкиваются ученые при оценке лечебных эффектов, и вызвавшая большое количество методов оценки.

Оценка

В зависимости от данных и лежащих в их основе обстоятельств, для оценки ATE можно использовать множество методов. Самые распространенные из них:

• Натуральные эксперименты
• Разница в различиях
• Планы с разрывом регрессии
• Соответствие оценки склонности
• Оценка инструментальных переменных

Пример

Рассмотрим пример, когда все подразделения являются безработными, и некоторые из них подвергаются политическому вмешательству (лечебная группа), а другие нет (контрольная группа). Причинно-следственный эффект интереса - это влияние, которое политика мониторинга поиска работы (лечение) оказывает на продолжительность периода безработицы: насколько в среднем была бы безработица меньше, если бы они испытали вмешательство? ATE, в данном случае, представляет собой разницу в ожидаемых значениях (средних) продолжительности безработицы в экспериментальной и контрольной группах.

Положительный ATE в этом примере предполагает, что политика занятости увеличила продолжительность безработицы. Отрицательный ATE предполагает, что политика в области занятости сократила продолжительность безработицы. Оценка ATE, равная нулю, свидетельствует об отсутствии преимуществ или недостатков в предоставлении лечения с точки зрения продолжительности безработицы. Чтобы определить, отличима ли оценка ATE от нуля (положительно или отрицательно), требуется статистические выводы.

Поскольку ATE является оценкой среднего эффекта лечения, положительный или отрицательный ATE не указывает на то, что какой-либо конкретный человек получит пользу или пострадает от лечения. Таким образом, средний лечебный эффект не учитывает распределение лечебного эффекта. Некоторым слоям населения лечение может быть хуже, даже если средний эффект положительный.

Гетерогенные эффекты лечения

Некоторые исследователи называют лечебный эффект «гетерогенным», если он по-разному (неоднородно) влияет на разных людей. Например, возможно, описанный выше подход к политике мониторинга поиска работы по-разному повлиял на мужчин и женщин или на людей, живущих в разных штатах, по-разному.

Один из способов поиска неоднородных эффектов лечения - разделить данные исследования на подгруппы (например, мужчины и женщины или по штатам) и посмотреть, различаются ли средние эффекты лечения по подгруппе. ATE для каждой подгруппы называется «условным средним лечебным эффектом» (CATE), то есть ATE, обусловленным членством в подгруппе.

Проблема с этим подходом заключается в том, что каждая подгруппа может иметь значительно меньше данных, чем исследование в целом, поэтому, если исследование было направлено на обнаружение основных эффектов без анализа подгрупп, данных может не хватить для правильной оценки воздействия на подгруппы. .

Ведется работа по обнаружению неоднородных эффектов лечения с использованием случайные леса.^[3][4]

Рекомендации

1. Голландия, Пол В. (1986). «Статистика и причинно-следственный вывод». J. Amer. Статист. Доц. 81 (396): 945–960. Дои:10.1080/01621459.1986.10478354. JSTOR  2289064.
2. Имаи, Косуке; Кинг, Гэри; Стюарт, Элизабет А. (2008). «Недоразумения между экспериментаторами и наблюдателями относительно причинного вывода». J. R. Stat. Soc. Сер. А. 171 (2): 481–502. Дои:10.1111 / j.1467-985X.2007.00527.x.
3. https://arxiv.org/abs/1510.04342
4. https://www.markhw.com/blog/causalforestintro

дальнейшее чтение

• Вулдридж, Джеффри М. (2013). «Анализ политики с объединенными сечениями». Вводная эконометрика: современный подход. Мейсон, Огайо: Thomson South-Western. С. 438–443. ISBN  978-1-111-53104-1.