Propensity-Score-Matching: Unterschied zwischen den Versionen
Markus (Diskussion | Beiträge) Die Seite wurde neu angelegt: „== Kurzbeschriebung == Beschreibung ist::Propensity-Score-Matching ist ein kausales Analyseverfahren für Beobachtungsdaten, das behandelte und unbehandelte Einheiten anhand ihrer Behandlungswahrscheinlichkeit (Propensity Score) vergleichbar macht. Beschreibung ist::Ziel ist es, Verzerrungen durch beobachtete Confounder zu reduzieren, indem nur statistisch ähnliche Einheiten miteinander verglichen werden. == Anwendbarkeit im Gesundheitssektor…“ |
Markus (Diskussion | Beiträge) Keine Bearbeitungszusammenfassung |
||
| Zeile 1: | Zeile 1: | ||
== Kurzbeschriebung == | == Kurzbeschriebung == | ||
[[Beschreibung ist::Propensity-Score-Matching ist ein | [[Beschreibung ist::Propensity-Score-Matching ist ein quasi-experimentelles Verfahren der kausalen Inferenz, das Beobachtungsdaten so aufbereitet, dass Behandlungs- und Kontrollgruppe hinsichtlich beobachteter Kovariaten möglichst vergleichbar sind. Kernidee ist der Propensity Score: die Wahrscheinlichkeit, eine Behandlung zu erhalten, gegeben die beobachteten Kovariaten. Dieser Score wird meist per logistischer Regression oder einem flexibleren Klassifikationsmodell geschätzt. | ||
Anschließend werden behandelte und unbehandelte Individuen mit ähnlichem Propensity Score gepaart (Matching). Gängige Varianten sind 1:1-Nearest-Neighbor-Matching, Matching mit/ohne Zurücklegen, Caliper-Matching (maximale Distanz), Kernel- oder Stratification-Matching. Nach dem Matching wird der durchschnittliche Behandlungseffekt (ATE oder ATT) als Mittelwertunterschied der Outcomes geschätzt. | |||
Zentrale Annahme ist die Unconfoundedness (keine unbeobachteten Confounder): gegeben die Kovariaten ist die Behandlung „as-if random“. PSM eliminiert Verzerrung durch beobachtete Störfaktoren, kann aber keine unbeobachteten ausgleichen. Qualitätssicherung erfolgt über Balance-Checks (Standardized Mean Differences) und Sensitivitätsanalysen.]] | |||
== Anwendbarkeit im Gesundheitssektor == | == Anwendbarkeit im Gesundheitssektor == | ||
Im Gesundheitswesen wird PSM breit eingesetzt, um Behandlungseffekte aus Routinedaten zu schätzen: z. B. Wirksamkeit von Therapien, Impfungen, Versorgungsprogrammen oder Präventionsmaßnahmen, wenn Randomisierung fehlt. Typische Outcomes sind Mortalität, Morbidität, Nebenwirkungen, Kosten oder Versorgungsqualität. | |||
In Public Health hilft PSM, Selektionsbias zu reduzieren (z. B. wer bekommt eine Intervention eher?), insbesondere bei großen Register- oder Krankenkassendaten. Häufig wird PSM mit Regressionsadjustierung nach dem Matching kombiniert (doubly robust), um Restunterschiede weiter zu kontrollieren. | |||
== Sonstiges == | == Sonstiges == | ||
Version vom 2. Februar 2026, 00:16 Uhr
Kurzbeschriebung
Propensity-Score-Matching ist ein quasi-experimentelles Verfahren der kausalen Inferenz, das Beobachtungsdaten so aufbereitet, dass Behandlungs- und Kontrollgruppe hinsichtlich beobachteter Kovariaten möglichst vergleichbar sind. Kernidee ist der Propensity Score: die Wahrscheinlichkeit, eine Behandlung zu erhalten, gegeben die beobachteten Kovariaten. Dieser Score wird meist per logistischer Regression oder einem flexibleren Klassifikationsmodell geschätzt.
Anschließend werden behandelte und unbehandelte Individuen mit ähnlichem Propensity Score gepaart (Matching). Gängige Varianten sind 1:1-Nearest-Neighbor-Matching, Matching mit/ohne Zurücklegen, Caliper-Matching (maximale Distanz), Kernel- oder Stratification-Matching. Nach dem Matching wird der durchschnittliche Behandlungseffekt (ATE oder ATT) als Mittelwertunterschied der Outcomes geschätzt.
Zentrale Annahme ist die Unconfoundedness (keine unbeobachteten Confounder): gegeben die Kovariaten ist die Behandlung „as-if random“. PSM eliminiert Verzerrung durch beobachtete Störfaktoren, kann aber keine unbeobachteten ausgleichen. Qualitätssicherung erfolgt über Balance-Checks (Standardized Mean Differences) und Sensitivitätsanalysen.
Anwendbarkeit im Gesundheitssektor
Im Gesundheitswesen wird PSM breit eingesetzt, um Behandlungseffekte aus Routinedaten zu schätzen: z. B. Wirksamkeit von Therapien, Impfungen, Versorgungsprogrammen oder Präventionsmaßnahmen, wenn Randomisierung fehlt. Typische Outcomes sind Mortalität, Morbidität, Nebenwirkungen, Kosten oder Versorgungsqualität.
In Public Health hilft PSM, Selektionsbias zu reduzieren (z. B. wer bekommt eine Intervention eher?), insbesondere bei großen Register- oder Krankenkassendaten. Häufig wird PSM mit Regressionsadjustierung nach dem Matching kombiniert (doubly robust), um Restunterschiede weiter zu kontrollieren.
Sonstiges
Kann unbeobachtete Confounder nicht korrigieren
Balance-Diagnostik ist essenziell
Semantik
Wikidata-Identifikator ist: Q7258161
Deutsche Wikipediaseite ist: https://de.wikipedia.org/wiki/Propensity_Score_Matching
Englische Wikipediaseite ist: https://en.wikipedia.org/wiki/Propensity_score_matching
Quelle: Rosenbaum & Rubin (1983)
Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit
Für die Methode benötigte Datenmenge ist mittel
Zweck der Methode ist Kausale Analyse;Inferenz„Kausale Analyse;Inferenz“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.
Methode ist Mitglied der Methodenfamilie Statistisch;Kausale Inferenz„Statistisch;Kausale Inferenz“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.
Interpretierbarkeit der Ergebnisse der Methode ist gut