107 Can synthetic controls improve causal inference in interrupted time series evaluations of public health interventions?
Notice bibliographique
Résumé
Statement of Purpose Interrupted time series (ITS) designs are a valuable quasi-experimental approach for evaluating public health interventions. ITS extends a single group pre-post comparison by using multiple timepoints to control for underlying trends. But history bias – confounding by unexpected events occurring at the same time of the intervention – threatens the validity of this design and limits causal inference. Synthetic control methodology (SCM), a popular data-driven technique for deriving a control series from a pool of unexposed populations, is increasingly recommended. We aimed to evaluate if and when SCM can strengthen an ITS design. Methods/Approach First, we summarise the main observational study designs used in evaluative research, highlighting their respective uses, strengths, biases, and design extensions. Second, we outline when the use of SCM can strengthen ITS studies and when their combined use may be problematic. Third, we provide recommendations for using SCM in ITS and, using a real-world example of an evaluation of Florida’s Stand Your Ground laws on homicides, we illustrate the potential pitfalls of using a data-driven approach to identify a suitable control series. Results Our real-world evaluation demonstrates that the benefits of SCM in ITS depends on the nature of the time-varying confounding which presents the most plausible threat to the study’s validity. We emphasise the importance of theoretical approaches for informing study design and argue that synthetic control methods are not always well-suited for minimising critical threats to ITS studies. Conclusions Advances in SCM bring new opportunities to conduct rigorous research in evaluating public health interventions. However, incorporating synthetic controls in ITS studies may not always nullify important threats to validity nor improve causal inference. Significance and Contributions to Injury and Violence Prevention Science We provide important methodological recommendations to guide advancement in the science of injury and violence prevention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,448 | 0,749 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».