| Abstract : | Στις μελέτες παρατήρησης προκειμένου να πάρουμε αξιόπιστες εκτιμήσεις επιδράσεων όπως θα λαμβάναμε σε τυχαιοποιημένες μελέτες, είναι απαραίτητο να λάβουμε μέτρα για την ύπαρξη μεταβλητών που επηρεάζουν τόσο το αποτέλεσμα που μετράμε, όσο και την πιθανότητα κατανομής στην θεραπεία (συγχυτικοί παράγοντες). Μια συνηθισμένη μέθοδος είναι η χρήση propensity scores για κάθε άτομο, μεντολοποιώντας την πιθανότητα να λάβει θεραπεία με βάση την οποία προχωράμε σε ταίριασμα των ατόμων μεταξύ τους. Η συγκεκριμένη ανάλυση γίνεται πιο σύνθετη όταν τα δεδομένα παρουσιάζουν συσταδοποίηση και μοιράζονται χαρακτηριστικά ανά συστάδα που δεν μπορούμε να μετρήσουμε αλλά αποτελούν συγχυτικούς παράγοντες. Με αυτό το πρόβλημα θα ασχοληθούμε στην παρούσα εργασία, δίνοντας έμφαση στην σύγκριση της απόδοσης μεθόδων εκτίμησης propensity score και μεθόδων αντιστοίχισης σε σενάρια που παρατηρούνται συχνά στην πράξη.
In observational studies, in order to obtain reliable effect estimates comparable to those derived from randomized studies, it is essential to account for variables that influence both the outcome being measured and the likelihood of treatment assignment (confounding factors). A common approach is the use of propensity scores for each individual, modeling the probability of receiving treatment, based on which individuals are matched with one another. This analysis becomes more complex when the data exhibit clustering, sharing characteristics within clusters that cannot be measured but act as confounding factors. This thesis addresses this issue, focusing on comparing the performance of propensity score estimation methods and matching techniques in scenarios commonly encountered in practice.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.