ЭСТИМАНДЬ МЕНЯ ПОЛНОСТЬЮ
Выбор estimand'а кажется сложным (так и есть). И вот в статье I. Lundberg с соавторами конкретизируют один из вариантов.
Во главе всего стоит цель/задача, которую мы пытаемся решить с помощью исследования и/или данных. Коллеги из Канала влияния хорошо подметили "чтобы найти эффект, нужно заранее понять, какой эффект мы ищем"
Повторять базы "чтобы понимать, надо знать" не будем))
Давайте вспомним, что мы можем рассмотреть потенциальные исходы у конкретного пациента (Y(1) - исход при наличии вмешательства и Y(0) - исход при отсутствии вмешательства). Значит мы можем предположить, какое сравнение хотим оценить, и продемонстрировать в виду формулы.
Например, нам интересно узнать на сколько изменится риск исхода (выздоровление) от вмешательства (лечить). Получается, что мы хотим посмотреть разницу рисков (или абсолютный риск): Y(1) - Y(0)
Но насколько большая эта разница? Конечно, клинически мы это можем понять. Но можно ли это формализовать математически?
Да, мы можем посчитать отношение рисков (относительный риск): Y(1)/Y(0)
Таким же образом можем посмотреть отношение шансов или другие метрики.
В публикации этот компонент называют unit-specific quantity (мне кажется, можно перевести как индивидуальная величина)
Затем нам надо определить, на каких субъектах мы оцениваем ее. Это второй компонент теоретического эстиманда - target population (целевая популяция). В статье это показано как сумма со взвешиванием по субъектам (т.е. среднее).
Мне кажется, как раз на этом уровне мы и определяемся с видом эффекта (ATE, ATT, LATE, CATE и др.). Если кто-то понял иначе, то поправьте меня.
Здесь важно понять, что нам важно. Изучить эффект конкретно в этой выборке (демографические данные на уровне страны/региона и пр.) или на основе результата на ней сделать вывод о популяции (как в РКИ).
Следующий шаг - переход к эмпирическому estimand'у. Это уже больше технический шаг (на мой взгляд в сравнении с предыдущим), где обсуждаются конкретно цель статистического анализа, выдвигаются предположения, строится DAG, определяется модель и т.д. Т.е. из теоретического эстиманда проводим идентификацию в эмпирический.
Мне данная статья понравилась. Всем, кто пытается использовать подход causal inference, рекомендую ознакомиться.
@Ebm_base
Выбор estimand'а кажется сложным (так и есть). И вот в статье I. Lundberg с соавторами конкретизируют один из вариантов.
Во главе всего стоит цель/задача, которую мы пытаемся решить с помощью исследования и/или данных. Коллеги из Канала влияния хорошо подметили "чтобы найти эффект, нужно заранее понять, какой эффект мы ищем"
Повторять базы "чтобы понимать, надо знать" не будем))
Давайте вспомним, что мы можем рассмотреть потенциальные исходы у конкретного пациента (Y(1) - исход при наличии вмешательства и Y(0) - исход при отсутствии вмешательства). Значит мы можем предположить, какое сравнение хотим оценить, и продемонстрировать в виду формулы.
Например, нам интересно узнать на сколько изменится риск исхода (выздоровление) от вмешательства (лечить). Получается, что мы хотим посмотреть разницу рисков (или абсолютный риск): Y(1) - Y(0)
Но насколько большая эта разница? Конечно, клинически мы это можем понять. Но можно ли это формализовать математически?
Да, мы можем посчитать отношение рисков (относительный риск): Y(1)/Y(0)
Таким же образом можем посмотреть отношение шансов или другие метрики.
В публикации этот компонент называют unit-specific quantity (мне кажется, можно перевести как индивидуальная величина)
Затем нам надо определить, на каких субъектах мы оцениваем ее. Это второй компонент теоретического эстиманда - target population (целевая популяция). В статье это показано как сумма со взвешиванием по субъектам (т.е. среднее).
Мне кажется, как раз на этом уровне мы и определяемся с видом эффекта (ATE, ATT, LATE, CATE и др.). Если кто-то понял иначе, то поправьте меня.
Здесь важно понять, что нам важно. Изучить эффект конкретно в этой выборке (демографические данные на уровне страны/региона и пр.) или на основе результата на ней сделать вывод о популяции (как в РКИ).
Следующий шаг - переход к эмпирическому estimand'у. Это уже больше технический шаг (на мой взгляд в сравнении с предыдущим), где обсуждаются конкретно цель статистического анализа, выдвигаются предположения, строится DAG, определяется модель и т.д. Т.е. из теоретического эстиманда проводим идентификацию в эмпирический.
Мне данная статья понравилась. Всем, кто пытается использовать подход causal inference, рекомендую ознакомиться.
@Ebm_base
❤10👍3💅3🔥1👀1
tgoop.com/ebm_base/1029
Create:
Last Update:
Last Update:
ЭСТИМАНДЬ МЕНЯ ПОЛНОСТЬЮ
Выбор estimand'а кажется сложным (так и есть). И вот в статье I. Lundberg с соавторами конкретизируют один из вариантов.
Во главе всего стоит цель/задача, которую мы пытаемся решить с помощью исследования и/или данных. Коллеги из Канала влияния хорошо подметили "чтобы найти эффект, нужно заранее понять, какой эффект мы ищем"
Повторять базы "чтобы понимать, надо знать" не будем))
Давайте вспомним, что мы можем рассмотреть потенциальные исходы у конкретного пациента (Y(1) - исход при наличии вмешательства и Y(0) - исход при отсутствии вмешательства). Значит мы можем предположить, какое сравнение хотим оценить, и продемонстрировать в виду формулы.
Например, нам интересно узнать на сколько изменится риск исхода (выздоровление) от вмешательства (лечить). Получается, что мы хотим посмотреть разницу рисков (или абсолютный риск): Y(1) - Y(0)
Но насколько большая эта разница? Конечно, клинически мы это можем понять. Но можно ли это формализовать математически?
Да, мы можем посчитать отношение рисков (относительный риск): Y(1)/Y(0)
Таким же образом можем посмотреть отношение шансов или другие метрики.
В публикации этот компонент называют unit-specific quantity (мне кажется, можно перевести как индивидуальная величина)
Затем нам надо определить, на каких субъектах мы оцениваем ее. Это второй компонент теоретического эстиманда - target population (целевая популяция). В статье это показано как сумма со взвешиванием по субъектам (т.е. среднее).
Мне кажется, как раз на этом уровне мы и определяемся с видом эффекта (ATE, ATT, LATE, CATE и др.). Если кто-то понял иначе, то поправьте меня.
Здесь важно понять, что нам важно. Изучить эффект конкретно в этой выборке (демографические данные на уровне страны/региона и пр.) или на основе результата на ней сделать вывод о популяции (как в РКИ).
Следующий шаг - переход к эмпирическому estimand'у. Это уже больше технический шаг (на мой взгляд в сравнении с предыдущим), где обсуждаются конкретно цель статистического анализа, выдвигаются предположения, строится DAG, определяется модель и т.д. Т.е. из теоретического эстиманда проводим идентификацию в эмпирический.
Мне данная статья понравилась. Всем, кто пытается использовать подход causal inference, рекомендую ознакомиться.
@Ebm_base
Выбор estimand'а кажется сложным (так и есть). И вот в статье I. Lundberg с соавторами конкретизируют один из вариантов.
Во главе всего стоит цель/задача, которую мы пытаемся решить с помощью исследования и/или данных. Коллеги из Канала влияния хорошо подметили "чтобы найти эффект, нужно заранее понять, какой эффект мы ищем"
Повторять базы "чтобы понимать, надо знать" не будем))
Давайте вспомним, что мы можем рассмотреть потенциальные исходы у конкретного пациента (Y(1) - исход при наличии вмешательства и Y(0) - исход при отсутствии вмешательства). Значит мы можем предположить, какое сравнение хотим оценить, и продемонстрировать в виду формулы.
Например, нам интересно узнать на сколько изменится риск исхода (выздоровление) от вмешательства (лечить). Получается, что мы хотим посмотреть разницу рисков (или абсолютный риск): Y(1) - Y(0)
Но насколько большая эта разница? Конечно, клинически мы это можем понять. Но можно ли это формализовать математически?
Да, мы можем посчитать отношение рисков (относительный риск): Y(1)/Y(0)
Таким же образом можем посмотреть отношение шансов или другие метрики.
В публикации этот компонент называют unit-specific quantity (мне кажется, можно перевести как индивидуальная величина)
Затем нам надо определить, на каких субъектах мы оцениваем ее. Это второй компонент теоретического эстиманда - target population (целевая популяция). В статье это показано как сумма со взвешиванием по субъектам (т.е. среднее).
Мне кажется, как раз на этом уровне мы и определяемся с видом эффекта (ATE, ATT, LATE, CATE и др.). Если кто-то понял иначе, то поправьте меня.
Здесь важно понять, что нам важно. Изучить эффект конкретно в этой выборке (демографические данные на уровне страны/региона и пр.) или на основе результата на ней сделать вывод о популяции (как в РКИ).
Следующий шаг - переход к эмпирическому estimand'у. Это уже больше технический шаг (на мой взгляд в сравнении с предыдущим), где обсуждаются конкретно цель статистического анализа, выдвигаются предположения, строится DAG, определяется модель и т.д. Т.е. из теоретического эстиманда проводим идентификацию в эмпирический.
Мне данная статья понравилась. Всем, кто пытается использовать подход causal inference, рекомендую ознакомиться.
@Ebm_base
BY Ebm_base
Share with your friend now:
tgoop.com/ebm_base/1029