Псевдорандомизация (propensity score matching) как современный статистический метод устранения систематических различий сравниваемых групп при анализе количественных исходов в обсервационных исследованиях


Цитировать

Полный текст

Аннотация

В статье представлен метод псевдорандомизации (propensity score matching - PSM) - эффективный способ устранения конфаундинг-эффекта различных факторов, искажающих результаты при сравнении наблюдаемых групп в обсервационных исследованиях. Метод PSM используется на этапе статистической обработки данных, сравним по эффективности с регрессионным анализом, но не требует при этом большого размера выборочной совокупности. В статье представлены основы данного метода и алгоритмы его применения с использованием статистического программного обеспечения STATA 13 для оценки различий между средними значениями количественной переменной исхода в изучаемых группах в обсервационном исследовании.

Об авторах

А М Гржибовский

Национальный институт общественного здравоохранения; Международный казахско-турецкий университет

Email: Andrej.Grjibovski@gmail.com
доктор медицины, старший советник Национального института общественного здравоохранения, г. Осло, Норвегия; руководитель отдела международных программ и инновационного развития ЦНИЛ Северного государственного медицинского университета, г. Архангельск, Россия; профессор кафедры общественного здоровья и здравоохранения медицинского института Северо-Восточного федерального университета, г. Якутск, Россия; профессор, почетный доктор Международного казахско-турецкого университета, г, Туркестан, Казахстан; почетный профессор INFA, Nasjonalt folkehelseinstitutt, Postboks 4404 Nydalen, 0403 Oslo, Norway

С В Иванов

Северо-Западный государственный медицинский университет им. И.И. Мечникова

г. Санкт-Петербург

М А Горбатова

Северный государственный медицинский университет

г. Архангельск

А А Дюсупов

Государственный медицинский университет

г. Семей, Казахстан

Список литературы

  1. Гржибовский А.М., Иванов С.В. Когортные исследования в здравоохранении // Наука и Здравоохранение. 2015. № 3. С. 5-16.
  2. Гржибовский А.М., Иванов С.В. Поперечные (одномоментные) исследования в здравоохранении // Наука и Здравоохранение. 2015. № 2. С. 5-18.
  3. Садыкова К.Ж., Шалхарова Ж.С., Нускабаева Г.О., Садыкова А.Д., Жунисова М.Б., Маденбай К.М., Гржибовский А.М. Распространенность анемии, ее социально-демографические детерминанты и возможная связь с метаболическим синдромом в г. Туркестан, Южный Казахстан // Экология человека. 2015. № 8. С. 58-64.
  4. Унгуряну Т.Н., Гржибовский А.М. Программное обеспечение для статистической обработки данных STATA: введение // Экология человека. 2014. № 1. C. 60-63.
  5. Флетчер Р., Флетчер С., Вагнер Э. Клиническая эпидемиология. Основы доказательной медицины. М.: Медиа Сфера, 1998. 352 с.
  6. Acock A.C. Gentle Introduction to Stata. USA, Texas: Stata Press, 2006. 289 p.
  7. Austin P.C. An introduction to propensity score methods for reducing the effects of confounding in observational studies // Multivariate Behavioral Research. 2011. Vol. 46. P. 399-424.
  8. Austin P.C. Optimal caliper widths for propensity-score matching when estimating differences in means and differences in proportions in observational studies // Pharmaceutical statistics. 2011. Vol. 10 (2). P 150-161.
  9. Becker S.O., Ichino A. Estimation of average treatment effects based on propensity scores // The Stata Journal. 2002. Vol. 2 (4). P 358-377.
  10. Cepeda M.S., Boston R., Farrar J.T., Strom B.L. Comparison of logistic regression versus propensity score when the number of events is low and there are multiple confounders // American Journal of Epidemiology. 2003. Vol. 158 (3). P. 280-287.
  11. DAgostino R.B. Propensity score methods for bias reduction in the comparison of a treatment to a nonrandomized control group // Statistics in Medicine. 1998. Vol. 17 (19). P. 2265-2281.
  12. Garrido M.M., Kelley A.S., Paris J., Roza K., Meier D.E., Morrison R.S., Aldridge M.D. Methods for constructing and assessing propensity scores // Health Services Research. 2014. Vol. 49 (5). P 1701-1720.
  13. Guo Sh. Y., Mark W. Fraser. Propensity Score Analysis: Statistical Methods and Applications, 2nd ed. USA. SAGE Publications, 2015. 448 p.
  14. Hernan M.A., Hernandez-Diaz S., Robins J.M. A structural approach to selection bias // Epidemiology. 2004. Vol. 15 (5). P. 615-625.
  15. Patorno E., Grotta A., Bellocco R., Schneeweiss S. Propensity score methodology for confounding control in health care utilization databases // Epidemiology Biostatistics and Public Health. 2013. Vol. 10 (3). P. e8940.
  16. Rosenbaum P.R., Rubin D.B. The central role of the propensity score in observational studies for causal effects // Biometrika. 1983. Vol. 70 (1). P 41-55.
  17. Sturmer T., Joshi M., Glynn R.J., Avorn J., Rothman K.J., Schneeweiss S. A review of the application of propensity score methods yielded increasing use, advantages in specific settings, but not substantially different estimates compared with conventional multivariable methods // Journal of Clinical Epidemiology. 2006. Vol. 59 (5). P 437-447.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Экология человека, 2016


 


Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).