چگونه می‌توان در مطالعات مشاهده‌ای روابط علیتی را سنجید؟ همسان‌سازی با نمره گرایش: یک مقاله آموزشی

زمینه و هدف: در بیش‌تر مطالعات مشاهده‌ای پژوهش گران سعی در پیدا کردن روابط علیتی بین مشاهدات را دارند، این ارتباط سنجی به دلیل عدم کنترل متغیرهای مخدوش گر با خطا همراه است. یکی از روش‌هایی که برای کنترل متغیرهای مخدوش گر کاربردی است، همسان‌سازی با نمره گرایش است. لذا هدف از ‌‌‌‌این مطالعه، توضیح مراحل انجام همسان‌سازی با نمره گرایش است. مواد و روش‌ها: همسان‌سازی نمره گرایش دارای 5 مرحله است. مرحله اول برآورد نمره گرایش است که شامل انتخاب‌ مدل و متغیر مناسب می‌باشد. مرحله دوم، بر اساس نمرات گرایش برآورد شده باید تصمیم گرفت از میان روش‌های تطبیق کدام روش را انتخاب کرد. مرحله سوم هم‌پوشانی و پشتیبانی مشترک است، در‌‌‌ ‌این مرحله مشاهداتی که خارج از محدوده نمرات تطبیق قرار دارند، حذف می‌شوند. پس از آن کیفیت مطابقت، ارزیابی می‌شود و در نهایت باید حساسیت اثرات برآورد شده را تخمین زد.یافته‌ها: در تطبیق نمره گرایش، متغیرهای اساسی مشاهده شده بین گروه‌های مواجهه و عدم مواجهه متعادل می‌شوند. با ‌‌‌‌این حال، اگر مدل آماری مورد استفاده برای محاسبه نمره گرایش به درستی انتخاب نشده باشد، عدم تعادل بین ویژگی‌های پایه دو گروه هم‌چنان می‌تواند وجود داشته باشد. نتیجه‌گیری: همسان‌سازی بر اساس نمره گرایش در مواردی که مخدوش کننده‌های مطالعه زیاد باشند، مفید است. این روش در مطالعات مشاهده‌ای جایگزین تصادفی‌سازی در مطالعات تجربی است که با کاهش تورش انتخاب و کنترل متغیر‌های مخدوش گر برآورد‌ها را دقیق‌تر می‌کند.

how can causal relationships be measured in observational studies? propensity score matching: a tutorial article

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 nonexposure 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.