Survival Proximity Score Matching in Multi-State Survival Model

マルチステート生存モデルにおける生存近接スコアマッチング

Implements survival proximity score matching in multi-state survival models. Includes tools for simulating survival data and estimating transition-specific coxph models with frailty terms. The primary methodological work on multistate censored data modeling using propensity score matching has been published by Bhattacharjee et al.(2024) < doi:10.1038/s41598-024-54149-y >.

生存近接スコアのマッチングをマルチステート生存モデルに実装します。生存データをシミュレートし、フレイル項を使用して遷移固有のcoxphモデルを推定するためのツールが含まれています。傾向スコアマッチングを用いたマルチステート打ち切りデータモデリングに関する主要な方法論的研究は、Bhattacharjeeら(2024) < doi:10.1038/s41598-024-54149-y >によって発表されています。

An R Package for Biomarkers Analysis in Precision Medicine

精密医療におけるバイオマーカー解析のためのRパッケージ

Provides functions for training extreme gradient boosting model using propensity score A-learning and weight-learning methods. For further details, see Liu et al. (2024) < doi:10.1093/bioinformatics/btae592 >.

傾向スコアA学習法と重み学習法を用いた極端勾配ブースティング・モデルの学習関数を提供します。A-learning法とweight-learning法の詳細については、Chenら(2017) < doi:10.1111/biom.12676 >を参照。

Multivariate and Propensity Score Matching with Balance Optimization

バランス最適化を用いた多変量および傾向スコアマッチング

Provides functions for multivariate and propensity score matching and for finding optimal balance based on a genetic search algorithm. A variety of univariate and multivariate metrics to determine if balance has been obtained are also provided. For details, see the paper by Jasjeet Sekhon (2007, < doi:10.18637/jss.v042.i07 >).

多変量およびプロペンシティスコアマッチングのための関数、および遺伝的探索アルゴリズムに基づく最適バランスを見つけるための関数を提供します。バランスが得られたかどうかを判断するための様々な一変量および多変量メトリクスも提供します。

Doubly Robust Distribution Balancing Weighting Estimation

二重ロバストな分布バランス重み付け推定

Implements the doubly robust distribution balancing weighting proposed by Katsumata (2024) < doi:10.1017/psrm.2024.23 >, which improves the augmented inverse probability weighting (AIPW) by estimating propensity scores with estimating equations suitable for the pre-specified parameter of interest (e.g., the average treatment effects or the average treatment effects on the treated) and estimating outcome models with the estimated inverse probability weights. It also implements the covariate balancing propensity score proposed by Imai and Ratkovic (2014) < doi:10.1111/rssb.12027 > and the entropy balancing weighting proposed by Hainmueller (2012) < doi:10.1093/pan/mpr025 >, both of which use covariate balancing conditions in propensity score estimation. The point estimate of the parameter of interest and its uncertainty as well as coefficients for propensity score estimation and outcome regression are produced using the M-estimation. The same functions can be used to estimate average outcomes in missing outcome cases.

勝俣(2024) < doi:10.1017/psrm.2024.23 >が提唱した二重ロバストな分布分散均衡加重を実装し、あらかじめ規定された対象パラメータに適した方程式(例:平均処理効果または処理対象に対する平均処理効果)で傾向スコアを推定し、推定された逆確率重み付けでアウトカムモデルを推定することにより、拡張逆確率重み付け(AIPW)を改善します。また、Imai and Ratkovic (2014)が提案したdoi:10.1111/rssb.12027 > <が提案した共変量バランス性スコアと、Hainmueller (2012) < doi:10.1093/pan/mpr025 >が提案したエントロピーバランスウェイトも実装しています。これらはどちらも、傾向スコア推定に共変量バランス条件を使用しています。関心のあるパラメータとその不確実性の点推定、および傾向スコア推定と結果回帰の係数は、M推定を使用して生成されます。同じ関数を使用して、欠損結果ケースの平均結果を推定できます。

Propensity Score Matching for Unordered 3-Group Data

順序不同の3グループデータに対する傾向スコアマッチング

You can use this program for 3 sets of categorical data for propensity score matching. Assume that the data has 3 different categorical variables. You can use it to perform propensity matching of baseline indicator groupings. The matching will make the differences in the baseline data smaller. This method was described by Alvaro Fuentes (2022) < doi:10.1080/00273171.2021.1925521 >.

このプログラムは、傾向スコアマッチングのための3組のカテゴリーデータに対して使用することができます。データには3種類のカテゴリー変数があると仮定します。これを使用して、ベースライン指標グループ化の傾向マッチングを行うことができます。マッチングにより、ベースラインデータの差が小さくなります。この方法はAlvaro Fuentes (2022) < doi:10.1080/00273171.2021.1925521 >によって説明されています。

Matching on Generalized Propensity Scores with Continuous Exposures

一般化された傾向スコアを用いた連続曝露のマッチング

Provides a framework for estimating causal effects of a continuous exposure using observational data, and implementing matching and weighting on the generalized propensity score. Wu, X., Mealli, F., Kioumourtzoglou, M.A., Dominici, F. and Braun, D., 2022. Matching on generalized propensity scores with continuous exposures. Journal of the American Statistical Association, pp.1-29.

観察データを用いて連続曝露の因果効果を推定するフレームワークを提供し、一般化された傾向スコアに対するマッチングと重み付けを実装しています。Wu, X., Mealli, F., Kioumourtzoglou, M.A., Dominici, F. and Braun, D., 2018. Matching on generalized propensity score with continuous exposures. arXiv preprint < arXiv:1812.06575 >.

Propensity Score Methods for Assigning Treatment in Randomized Trials

ランダム化試験における治療を割り当てるための傾向スコア法

Contains functions to run propensity-biased allocation to balance covariate distributions in sequential trials and propensity-constrained randomization to balance covariate distributions in trials with known baseline covariates at time of randomization. Currently only supports trials comparing two groups.

本パッケージには、逐次試験における共変量分布のバランスをとるためのプロペンシティ偏重割付と、無作為化時にベースライン共変量が既知の試験における共変量分布のバランスをとるためのプロペンシティ制約付き無作為化を実行する関数が含まれています。現在のところ、本パッケージは2群を比較する試験のみをサポートしています。

Propensity Score Analysis Graphics

傾向スコア分析グラフィックス

A collection of functions that primarily produce graphics to aid in a Propensity Score Analysis (PSA). Functions include: cat.psa and box.psa to test balance within strata of categorical and quantitative covariates, circ.psa for a representation of the estimated effect size by stratum, loess.psa that provides a graphic and loess based effect size estimate, and various balance functions that provide measures of the balance achieved via a PSA in a categorical covariate.

主にプロパンスコア分析（PSA）を支援するためのグラフィックスを生成する関数のコレクションです。関数には、カテゴリカル共変量および量的共変量の層内でのバランスをテストするcat.psaおよびbox.psa、層ごとの推定効果量を表現するcirc.psa、グラフィックおよびloessベースの効果量推定を提供するloess.psa、カテゴリカル共変量のPSAによって達成されたバランスの尺度を提供するさまざまなバランス関数が含まれます。

Bayesian Information Borrowing with Propensity Score Matching

傾向スコアマッチングによるベイズ情報借用

Hybrid control design is a way to borrow information from external controls to augment concurrent controls in a randomized controlled trial and is expected to overcome the feasibility issue when adequate randomized controlled trials cannot be conducted. A major challenge in the hybrid control design is its inability to eliminate a prior-data conflict caused by systematic imbalances in measured or unmeasured confounding factors between patients in the concurrent treatment/control group and external controls. To prevent the prior-data conflict, a combined use of propensity score matching and Bayesian commensurate prior has been proposed in the context of hybrid control design. The propensity score matching is first performed to guarantee the balance in baseline characteristics, and then the Bayesian commensurate prior is constructed while discounting the information based on the similarity in outcomes between the concurrent and external controls. 'psBayesborrow' is a package to implement the propensity score matching and the Bayesian analysis with commensurate prior, as well as to conduct a simulation study to assess operating characteristics of the hybrid control design, where users can choose design parameters in flexible and straightforward ways depending on their own application.

ハイブリッド対照デザインは、ランダム化比較試験において同時対照を補強するために外部対照から情報を借りる方法であり、十分なランダム化比較試験が実施できない場合に実現可能性の問題を克服することが期待されます。ハイブリッド対照デザインにおける主要な課題は、同時治療/対照群と外部対照群の患者間の測定または未測定の交絡因子の系統的な不均衡に起因する先行-データ競合を排除できないことです。事前-データ競合を防ぐために、ハイブリッドコントロールデザインの文脈で、傾向スコアマッチングとベイズ的整合的事前分布の併用が提案されています。まず傾向スコアマッチングを行い、ベースライン特性のバランスを保証し、次にベイズ相応事前分布を構築し、同時対照群と外部対照群の間の結果の類似性に基づく情報を割り引く。「psBayesborrow」は、傾向スコアマッチングと相応事前分布を用いたベイズ分析を実装するパッケージであり、ハイブリッドコントロールデザインの運用特性を評価するシミュレーション研究を実施するためのパッケージでもあります。

Bootstrapping for Propensity Score Analysis

傾向スコア分析のブートストラップ

It is often advantageous to test a hypothesis more than once in the context of propensity score analysis (Rosenbaum, 2012) < doi:10.1093/biomet/ass032 >. The functions in this package facilitate bootstrapping for propensity score analysis (PSA). By default, bootstrapping using two classification tree methods (using 'rpart' and 'ctree' functions), two matching methods (using 'Matching' and 'MatchIt' packages), and stratification with logistic regression. A framework is described for users to implement additional propensity score methods. Visualizations are emphasized for diagnosing balance; exploring the correlation relationships between bootstrap samples and methods; and to summarize results.

傾向スコア分析(Rosenbaum, 2012)の文脈では、仮説を複数回検証することがしばしば有利です< doi:10.1093/biomet/ass032 >。このパッケージの機能は、傾向スコア分析(PSA)のブートストラップを容易にします。デフォルトでは、2つの分類ツリー法(「rpart」関数と「ctree」関数を使用)、2つのマッチング方法(「Matching」と「MatchIt」パッケージを使用)、およびロジスティック回帰による層別化を使用したブートストラップ。ユーザーが追加の傾向スコア手法を実装するためのフレームワークについて説明します。バランスを診断するために視覚化が強調されています。ブートストラップサンプルとメソッド間の相関関係を調査します。そして結果をまとめます。