TY  - JOUR
TT  - Propensity Skor Ağırlıklandırma Yönteminde Denge Metriklerinin Performansı Üzerine Benzetim Çalışması
AU  - Demir, Osman
AU  - Dolgun, Anıl
AU  - Etikan, İlker
AU  - Kuyucu, Yunus Emre
AU  - Saraçbaşı, Osman
PY  - 2017
DA  - November
Y2  - 2017
DO  - 10.16899/gopctd.349948
JF  - Çağdaş Tıp Dergisi
JO  - J Contemp Med
PB  - Rabia YILMAZ
WT  - DergiPark
SN  - 2146-6009
SP  - 265
EP  - 277
VL  - 7
IS  - 3
KW  - Propensity score weighting
KW  - GBM
KW  - Multinomial Logistic Regression
N2  - Amaç: Randomizasyonun sağlanamadığı durumlarda bireylerin tedavi kollarına atanmasında yanlılığı minimize etmek için propensity skor ağırlıklandırma yönteminin kullanılmasını ve bu yöntemin genelleştirilmiş boosted ve çok kategorili lojistik regresyondan elde edilen bulgulara ilişkin performanslarının değerlendirmesini amaçlamaktadır.Yöntem: Çok kategorili lojistik regresyon (MLR) ve genelleştirilmiş boosted modelden (GBM) elde edilen sonuçlar bir benzetim çalışması yardımıyla karşılaştırılacaktır. Benzetim çalışmasında üç kategorili tedavi grubu, sürekli yanıt değişkeni ve sürekli/dikotom ortak değişkenlerin olduğu, yedi farklı senaryo üzerinde 1000 tekrar kullanılarak, n=500, 1000, 2000 örneklem büyüklüğüne sahip veriler türetilecektir. MLR ve GBM’den elde edilen propensity skorları yardımıyla propensity ağırlıklarına ulaşılacak ve bu ağırlıkları kullanarak, tedavi etkilerini değerlendirmede kullanılan, ortalama tedavi etkisi (OTE) kestirimi ile denge metrikleri kullanılarak, dengenin değerlendirmesi yapılacaktır. Çalışmada R programındaki “twang” paketi kullanılacaktır.Bulgular: Örneklem sayısı arttıkça denge değerlerinin daha azaldığı dolayısı ile yanlılığın düştüğü görülmektedir. Senaryolar daha kompleks hale geldikçe GBM’nin daha iyi denge sonuçları ürettiği görülmektedir. Ana etkilerin olduğu bir modelde MLR için daha iyi sonuçlar görülmektedir. MLR regresyon modelden elde edilen OTE ağırlıkları kararsız ve zayıf bir denge göstermektedir. Aşırı ağırlıkların kırpılması ya da kaldırılması dengenin düzelmesini sağlamaktadır.
CR  - 1.Ellenberg, S.S., Fleming, T.R.,DeMets, D.L. (2003). Data monitoring committees in clinical trials: a practical perspective: John Wiley & Sons.
CR  - 2.Doll, R. (1998) Controlled trials: the 1948 watershed. BMJ: British Medical Journal, 317 (7167), 1217.
3.Hannan, E.L. (2008) Randomized clinical trials and observational studies: guidelines for assessing respective strengths and limitations. JACC: Cardiovascular Interventions, 1 (3), 211-217.
CR  - 4.Austin, P.C. (2011) An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate Behavioral Research, 46 (3), 399-424.
CR  - 5.Lee, B.K., Lessler, J.,Stuart, E.A. (2010) Improving propensity score weighting using machine learning. Statistics in medicine, 29 (3), 337-346.
CR  - 6.McCaffrey, D.F., Griffin, B.A., Almirall, D., Slaughter, M.E., Ramchand, R.,Burgette, L.F. (2013) A tutorial on propensity score estimation for multiple treatments using generalized boosted models. Statistics in medicine, 32 (19), 3388-3414.
CR  - 7.Rosenberger, W.F.,Lachin, J.M. (2002). Randomization in clinical trials: theory and practice: John Wiley & Sons.
CR  - 8.Alpar, R. (2010). Spor, Sağlık ve Eğitim Bilimlerinde Uygulamalı İstatistik ve Geçerlik-Güvenirlik: Birinci Baskı, Ankara: Detay Yayıncılık.
CR  - 9.Sümbüloğlu, V., Alpar, R.,Özdemir, P. (1998) Değişkenler Arası İlişkilerin İncelenmesi. İç Hastalıkları Dergisi, 5 (6), 416.
CR  - 10.Aalen, O.O.,Frigessi, A. (2007) What can statistics contribute to a causal understanding? Scandinavian Journal of Statistics, 34 (1), 155-168.
UR  - https://doi.org/10.16899/gopctd.349948
L1  - https://dergipark.org.tr/tr/download/article-file/360522
ER  -