Geschäftskontext
Die Personalabteilung untersucht den Einfluss eines optionalen Trainingsprogramms auf das Gehalt. Ein Problem ist, dass fast alle Mitarbeiter das Training absolviert haben, was zu extremen Propensity Scores (nahe 1) für die Gruppe 'Training' und sehr kleinen Wahrscheinlichkeiten für 'Kein Training' führt. Dies kann die IPW-Schätzung instabil machen. Wir testen die Robustheit mittels 'scaledIPWFlag'.
Über das Set : causalAnalysis
Kausale Inferenzanalyse und Effektschätzung.
Entdecken Sie alle Aktionen von causalAnalysis Datenaufbereitung
Erzeugung von Daten mit extrem ungleichen Wahrscheinlichkeiten (Propensity Scores nahe 0 oder 1) für die Behandlung.
Kopiert!
| 1 | |
| 2 | DATA casuser.hr_salary; |
| 3 | call streaminit(456); |
| 4 | DO i=1 to 500; |
| 5 | IF rand('Uniform') < 0.95 THEN training = 'Yes'; |
| 6 | ELSE training = 'No'; |
| 7 | salary = 50000 + 5000*(training='Yes') + rand('Normal', 0, 2000); |
| 8 | prob_Yes = 0.95; |
| 9 | prob_No = 0.05; |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | |
| 13 | RUN; |
| 14 |
Étapes de réalisation
1
Ausführung von IPW mit dem Parameter 'scaledIPWFlag', um extreme Gewichte zu identifizieren/markieren.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | causalanalysis.caEffect TABLE={name='hr_salary', caslib='casuser'}, method='IPW', treatVar={name='training'}, outcomeVar={name='salary', type='CONTINUOUS'}, pom={{trtLev='Yes', trtProb='prob_Yes'}, {trtLev='No', trtProb='prob_No'}}, difference={{evtLev='Yes', refLev='No'}}, scaledIPWFlag=10; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion sollte trotz der unausgewogenen Gruppen durchlaufen. Die Verwendung von 'scaledIPWFlag' sollte in den Ausgabetabellen oder im Log Hinweise auf Beobachtungen mit sehr hohen Gewichten (die das 10-fache des Erwartungswerts überschreiten) liefern, ohne dass der Prozess abstürzt.