Propensity Score Analysis With Baseline and Follow‐Up Measurements of the Outcome Variable
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A common feature in cohort studies is when there is a baseline measurement of the continuous follow-up or outcome variable. Common examples include baseline measurements of physiological characteristics such as blood pressure or heart rate in studies where the outcome is post-baseline measurement of the same variable. Methods incorporating the propensity score are increasingly being used to estimate the effects of treatments using observational studies. We examined six methods for incorporating the baseline value of the follow-up variable when using propensity score matching or weighting. These methods differed according to whether the baseline value of the follow-up variable was included or excluded from the propensity score model, whether subsequent regression adjustment was conducted in the matched or weighted sample to adjust for the baseline value of the follow-up variable, and whether the analysis estimated the effect of treatment on the follow-up variable or on the change from baseline. We used Monte Carlo simulations with 750 scenarios. While no analytic method had uniformly superior performance, we provide the following recommendations: first, when using weighting and the ATE is the target estimand, use an augmented inverse probability weighted estimator or include the baseline value of the follow-up variable in the propensity score model and subsequently adjust for the baseline value of the follow-up variable in a regression model. Second, when the ATT is the target estimand, regardless of whether using weighting or matching, analyze change from baseline using a propensity score that excludes the baseline value of the follow-up variable.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle