Der Unterschied zwischen durchschnittlichem und geringem Behandlungseffekt

Ich habe einige Artikel gelesen und bin mir nicht sicher, was die spezifischen Definitionen des durchschnittlichen Behandlungseffekts (ATE) und des marginalen Behandlungseffekts (MTE) angeht. Sind sie gleich

Nach Austin ...

Ein bedingter Effekt ist der durchschnittliche Effekt auf Subjektebene, wenn ein Subjekt von unbehandelt zu behandelt verschoben wird. Der Regressionskoeffizient für eine Behandlungszuweisungsindikatorvariable aus einem multivariablen Regressionsmodell ist eine Schätzung eines bedingten oder angepassten Effekts. Im Gegensatz dazu ist ein geringfügiger Effekt der durchschnittliche Effekt auf Bevölkerungsebene, wenn eine gesamte Bevölkerung von unbehandelt auf behandelt umgestellt wird [10].Lineare Behandlungseffekte (Mittelwertunterschiede und Proportionenunterschiede) sind kollabierbar: Die bedingten und marginalen Behandlungseffekte fallen zusammen. Wenn es sich jedoch um binäre Ergebnisse oder um Ereignisse von der Zeit bis zum Ereignis handelt, sind die Odds Ratio und die Hazard Ratio nicht kollabierbar [11]. Rosenbaum hat festgestellt, dass man mit den Propensity-Score-Methoden eher marginale als bedingte Effekte abschätzen kann [12]. Es gibt nur wenige Untersuchungen zur Leistung verschiedener Neigungsbewertungsmethoden, um marginale Behandlungseffekte abzuschätzen.

Aber in einer anderen Zeitung in Austin , sagt er

Für jedes Subjekt wird die Wirkung der Behandlung als . Der durchschnittliche Behandlungseffekt (ATE) wird als E [ Y i ( 1 ) - Y i ( 0 ) ] definiert . (Imbens, 2004). Die ATE ist der durchschnittliche Effekt auf Bevölkerungsebene, wenn eine gesamte Bevölkerung von unbehandelt auf behandelt umgestellt wird.$Y_i(1)- Y_i(0)$$E[Y_i(1)- Y_i(0)]$

Die Frage, die ich habe, ist also ... Was ist der Unterschied zwischen dem durchschnittlichen Behandlungseffekt und dem geringfügigen Behandlungseffekt?

Wie soll ich meinen Schätzer einordnen? Ich habe ein Neigungsscore-gewichtetes (IPTW) Cox-Modell. Meine einzige Kovariate ist der Behandlungsindikator. Sollte die resultierende Gefährdungsquote als ATE oder MTE betrachtet werden?

Bearbeiten : Um die Verwirrung zu verstärken, behauptet Guo in seinem Buch Neigungsscore-Analyse , dass der marginale Behandlungseffekt ist

... Sonderfall des Behandlungseffekts für die Menschen am Rande der Gleichgültigkeit (EOTM). In einigen politischen und praktischen Situationen ist es wichtig, zwischen marginalen und durchschnittlichen Renditen zu unterscheiden. Beispielsweise kann ein durchschnittlicher Student, der ein College besucht, bessere Leistungen erbringen (dh höhere Noten haben) als ein Randschüler, dem der Schulbesuch gleichgültig ist oder nicht.

Ich bin der Meinung, dass dies mit einem Körnchen Salz genommen werden sollte, da dies für die Sozialwissenschaften bestimmt ist (wo Marginal meiner Meinung nach eine andere Definition hat), aber ich dachte, ich würde es hier einfügen, um zu zeigen, warum ich verwirrt bin.

Wie einige der von Ihnen angegebenen Informationen besagen, stimmen die beiden nicht überein. Ich mag die Terminologie der bedingten (auf Kovariaten) und unbedingten (Rand-) Schätzungen besser. Es gibt ein sehr subtiles Sprachproblem, das das Problem stark trübt. Analysten, die "populationsdurchschnittliche Effekte" lieben, neigen in gefährlicher Weise dazu, solche Effekte anhand einer Stichprobe abzuschätzenohne Bezug auf eine Bevölkerungsverteilung der Subjekteigenschaften. In diesem Sinne sollten die Schätzungen nicht als Bevölkerungsdurchschnittsschätzungen, sondern als Stichprobendurchschnittsschätzungen bezeichnet werden. Es ist sehr wichtig anzumerken, dass Schätzungen des Stichprobenmittelwerts eine geringe Chance haben, für die Bevölkerung, aus der die Stichprobe stammt, oder tatsächlich für eine beliebige Bevölkerung transportierbar zu sein. Ein Grund dafür sind die etwas willkürlichen Auswahlkriterien für den Studieneinstieg.

Wenn man beispielsweise die Behandlung A und die Behandlung B in einem geschlechtsangepassten binären Logistikmodell vergleicht, erhält man einen Behandlungseffekt, der sowohl für Männer als auch für Frauen spezifisch ist. Wenn die Geschlechtsvariable in dem Modell weggelassen wird, wird ein Effekt des durchschnittlichen Wahrscheinlichkeitsverhältnisses für die Behandlung erhalten. Dies ist in der Tat ein Vergleich einiger der Männer in Behandlung A mit einigen der Frauen in Behandlung B, da das Odds Ratio nicht kollabierbar ist. Wenn man eine Population mit einer anderen Häufigkeit von Frauen und Männern hatte, entfällt dieser durchschnittliche Behandlungseffekt, der sich aus einem marginalen Quotenverhältnis für die Behandlung ergibt.

Wenn man also eine Größe will, die sich auf einzelne Subjekte bezieht, ist eine vollständige Konditionierung auf Kovariaten erforderlich. Und diese bedingten Schätzungen sind diejenigen, die die Bevölkerung versorgen, nicht die so genannten Schätzungen des "Bevölkerungsdurchschnitts".

Eine andere Möglichkeit, darüber nachzudenken: Stellen Sie sich eine ideale Studie vor, um die Behandlung mit der Behandlung ohne Behandlung zu vergleichen. Dies wäre eine mehrperiodische randomisierte Crossover-Studie. Dann überlegen Sie sich die nächstbeste Studie: eine randomisierte Studie an eineiigen Zwillingen, bei der einer der Zwillinge in jedem Paar zufällig ausgewählt wird, um Behandlung A zu erhalten, und der andere ausgewählt wird, um Behandlung B zu erhalten. dh vollständige kovariate Anpassung, um bedingte und nicht marginale Effekte aus der üblichen randomisierten kontrollierten Parallelgruppenstudie zu erhalten.