چگونه مي‌توان در مطالعات مشاهده‌اي روابط عليتي را سنجيد؟ همسان‌سازي با نمره گرايش: يك مقاله آموزشي

How Can Causal Relationships Be Measured in Observational Studies? Propensity Score Matching: A Tutorial Article

زمينه و هدف: در بيش‌تر مطالعات مشاهده‌اي پژوهش­گران سعي در پيدا كردن روابط عليتي بين مشاهدات را دارند، اين ارتباط سنجي به دليل عدم كنترل متغيرهاي مخدوش­گر با خطا همراه است. يكي از روش‌هايي كه براي كنترل متغيرهاي مخدوش­گر كاربردي است، همسان‌سازي با نمره گرايش است. لذا هدف از ‌‌‌‌اين مطالعه، توضيح مراحل انجام همسان‌سازي با نمره گرايش است. مواد و روش‌ها: همسان‌سازي نمره گرايش داراي 5 مرحله است. مرحله اول برآورد نمره گرايش است كه شامل انتخاب‌ مدل و متغير مناسب مي‌باشد. مرحله دوم، بر اساس نمرات گرايش برآورد شده بايد تصميم گرفت از ميان روش‌هاي تطبيق كدام روش را انتخاب كرد. مرحله سوم هم‌پوشاني و پشتيباني مشترك است، در‌‌‌ ‌اين مرحله مشاهداتي كه خارج از محدوده نمرات تطبيق قرار دارند، حذف مي‌شوند. پس از آن كيفيت مطابقت، ارزيابي مي‌شود و در نهايت بايد حساسيت اثرات برآورد شده را تخمين زد. يافته‌ها: در تطبيق نمره گرايش، متغيرهاي اساسي مشاهده شده بين گروه‌هاي مواجهه و عدم مواجهه متعادل مي‌شوند. با ‌‌‌‌اين حال، اگر مدل آماري مورد استفاده براي محاسبه نمره گرايش به درستي انتخاب نشده باشد، عدم تعادل بين ويژگي‌هاي پايه دو گروه هم‌چنان مي‌تواند وجود داشته باشد. نتيجه‌گيري: همسان‌سازي بر اساس نمره گرايش در مواردي كه مخدوش كننده‌هاي مطالعه زياد باشند، مفيد است. اين روش در مطالعات مشاهده‌اي جايگزين تصادفي‌سازي در مطالعات تجربي است كه با كاهش تورش انتخاب و كنترل متغير‌هاي مخدوش­گر برآورد‌ها را دقيق‌تر مي‌كند.

Background and Objectives: In most observational studies, researchers try to find causal relationships between observations. This correlation is associated with error due to lack of controlling confounding variables. One of the methods used to control the confounding variables is propensity score matching. Therefore, the purpose of this study is to explain the steps of propensity score matching. Materials and Methods: Propensity score matching has 5 steps. The first step is to estimate the propensity score, which includes selecting the appropriate model and variables. The second step is to select an appropriate matching method based on the estimated propensity scores. The third step is overlap and common support. At this stage, observations that are outside the range of matching scores are removed. The quality of the match is then evaluated, and finally the sensitivity of the estimated effects must be estimated. Results: In the propensity score matching, the observed basic variables are balanced between the exposure and non-exposure groups. However, if the statistical model used to calculate the propensity score is not correctly selected, an imbalance between the basic characteristics of the two groups can still exist. Conclusion: Propensity score matching is useful in cases where the confounding variables of study are high. In observational studies, this method can be used as an alternative to randomization in experimental studies, which makes the estimates more accurate by reducing the selection bias and controlling confounding variables.