Analisis Propensity Score Matching(PSM)

ANALISIS PROPENSITY SCORE MATCHING

 

Ahli-ahli epidemiologi sangat memahami bahwa dalam penelitian observasional masih ada masalah dalam menarik kesimpulan yang disebabkan oleh adanya bias karena potensial confounding, dimana dengan kondisi ini sebenarnya masih kurang tepat jika dua keadaan dibandingkan walaupun telah dilakukan adjusment melalui regresi karena masih ada potensi bias. Dalam melihat efek dari pajanan pada studi observasi perlu mempertimbangkan adanya bias dan akan sulit untuk menghilangkan bias jika hanya dengan menggunakan teknik analisis yang standar.

            Teknik analisis yang menggunakan propensity score dalam studi observasi dapat melakukan adjusment pada covariat pada dua kelompok dan dapat mengurangi bias lebih baik dibandingkan  dengan teknik modelling pada analisis multivariat yang konvensional.

 

Definisi

            Propensity Score Matching Method diperkenalkan oleh Rosenbaum dan Rubin tahun 1983. Propensity dikenal sebagai probabilitas dari terpajan atau yang mendapat perlakuan (atau keduanya). Dengan mengestimasi propensity score , kita akan memadankan subjek dikeduanya (terpajan dan kondisi tidak terpajan) menggunakan nilai propensity scorenya .

 

Alasan penggunaan Propensity Score

            Propensity Score dinyatakan dapat digunakan untuk mengurangi bias dan meningkatkan presisi ketika melakukan estimasi efek dari pajanan pada studi observasional. Teknik analisis ini melakukan matching melalui nilai propensity dari subjek yang terpajan dan subyek tidak terpajan. Nilai propensity merupakan nilai probabilitas subyek  jika tidak terpajan, yang ada kenyataannya subyek adalah dalam keadaan terpajan. Nilai propensity dapat digunakan untuk menurunkan pengaruh dari potensial confounder.

 

Langkah dalam PSM

Estimasi Propensity Score

       Dalam melakukan estimasi propensity score ada  hal yang harus dilakukan, yang pertama adalah terkait dengan model  yang akan digunakan untuk mengestimasi, yang kedua adalah variabel yang dimasukkan kedalam model.

 

Pemilihan Algoritma Pemadanan (matching)

  1.  
    1. Nearest Neighbour

Matching pada kelompok tidak terpajan diambil dari subyek yang memiliki nilai propensity score terdekat dengan nilai propensity score subyek pada kelompok terpajan. Dapat dilakukan dengan metode tanpa atau dengan pengembalian. Keuntungannya adalah padanan pasti ada untuk semua subyek pada kelompok perlakuan . Kerugiannya adalah dapat terjadi matching sangat berbeda dengan subyek yang dipadankan (propensity scorenya berbeda jauh).

  1.  
    1. Caliper & Radius

Sama dengan nearest neighbour tetapi diberikan batas tertentu pada propensity score caliper . Radius sama dengan caliper tetapi semua subyek dari kelompok tidak terpajan yang nilai propensity score dalam caliper diambil sebagai padanan.

  1.  
    1. Stratifikasi

Pada tiap strata dilakukan perhitungan average treatment affect on treated (ATT). ATT untuk seluruh populasi dihitung berdasarkan ATT rata-rata dari tiap strata.

  1.  
    1. Kernel & Local Linear Regression

Menggunakan seluruh subjek pada kelompok pembanding dengan pembobotan. Pembobotan sebanding dengan beda nilai propensity score subjek pada kelompok perlakuan dengan padanannya pada kelompok pembanding.

  1.  
    1. Pembobotan

Setelah nilai propensity score diketahui, kita dapat secara langsung membedakan bobot antara rata-rata outcome pada individu terpajan dan tidak terpajan.

 

– Overlap & Common Support

Langkah penting untuk melihat overlap dan common support antara kelompok terpajan dengan kelompoktidak terpajan pada saat dibandingkan dengan melihat distribusi keduanya.

– Uji Kualitas Pemadanan

Dilakukan dengan membandingkan distribusi covariat X sebelum dan sesudah dilakukan pemadanan. Digunakan perhitungan standardized difference untuk tiap covariat X sebelum dan sesudah pemadanan. Kualitas pemadanan dapat dihitung dengan persentase reduksi bias.     

       

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s