Bietet modellunabhängige Methoden zur Schätzung der Mittelwerte potenzieller Ergebnisse und der kausalen Effekte von kategorialen Behandlungen.
| Parameter | Beschreibung |
|---|---|
| alpha | Gibt das Signifikanzniveau für die Erstellung aller Konfidenzintervalle an. |
| difference | Gibt die kausalen Effekte an, die auf der Differenzskala geschätzt werden sollen. |
| display | Gibt eine Liste von Ergebnistabellen an, die zur Anzeige an den Client gesendet werden sollen. |
| freq | Benennt die numerische Variable, die die Häufigkeit des Auftretens für jede Beobachtung enthält. |
| inference | Wenn auf True gesetzt, berechnet Standardfehler und Konfidenzintervalle für die Schätzungen des potenziellen Ergebnis-Mittelwerts und der kausalen Effekte. |
| method | Gibt die Methode an, die zur Schätzung der Mittelwerte potenzieller Ergebnisse (POMs) verwendet werden soll. |
| outcomeModel | Gibt das Modell an, das zum Scoren der vorhergesagten kontrafaktischen Ergebnisse verwendet werden soll. |
| outcomeVar | Gibt Informationen über die Ergebnisvariable an. |
| outputTables | Listet die Namen der Ergebnistabellen auf, die als CAS-Tabellen auf dem Server gespeichert werden sollen. |
| pom | Gibt die potenziellen Ergebnisse an, die geschätzt werden sollen. |
| pomCov | Wenn auf True gesetzt, zeigt eine Kovarianzmatrix der Schätzungen des potenziellen Ergebnis-Mittelwerts an. |
| pomInfo | Wenn auf True gesetzt, erstellt eine Tabelle, die die Spezifikationen der potenziellen Ergebnisse zusammenfasst. |
| scaledIPWFlag | Gibt ein Vielfaches des erwarteten inversen Wahrscheinlichkeitsgewichts einer Beobachtung an, das verwendet wird, um Beobachtungen mit großen Gewichten zu kennzeichnen. |
| table | Gibt die Eingabedatentabelle an. |
| treatVar | Gibt Informationen über die Behandlungsvariable an. |
| weight | Benennt die numerische Variable, die für eine gewichtete Analyse der Daten verwendet werden soll. |
Dieses Beispiel erfordert eine Eingabe-CAS-Tabelle, die die zu analysierenden Daten enthält. In diesem Beispiel gehen wir davon aus, dass Sie bereits Modelle für das Ergebnis und die Behandlung (Propensity Scores) trainiert und die Vorhersagen in einer Tabelle namens `mycas.analysisData` gespeichert haben. Diese Tabelle sollte die Behandlungsvariable, die Ergebnisvariable und für jede Behandlungsebene die vorhergesagte Wahrscheinlichkeit (Propensity Score) und das vorhergesagte kontrafaktische Ergebnis enthalten.
| 1 | /* Es wird angenommen, dass eine Tabelle mycas.analysisData existiert. */ |
| 2 | /* Sie sollte Variablen wie 'treat', 'outcome', 'prob_A', 'prob_B', 'pred_A', 'pred_B' enthalten. */ |
| 3 | /* 'prob_A'/'prob_B' sind die Propensity Scores für die Behandlung A/B. */ |
| 4 | /* 'pred_A'/'pred_B' sind die vorhergesagten Ergebnisse unter Behandlung A/B. */ |
Diese Methode schätzt die potenziellen Ergebnis-Mittelwerte (POMs) nur unter Verwendung der vorhergesagten kontrafaktischen Ergebnisse. Sie ist nützlich, wenn kein Propensity-Score-Modell verfügbar ist.
| 1 | PROC CAS; |
| 2 | causalanalysis.caEffect |
| 3 | TABLE={name='analysisData'}, |
| 4 | method='REGADJ', |
| 5 | treatVar={name='treat'}, |
| 6 | outcomeVar={name='outcome', type='CONTINUOUS'}, |
| 7 | pom={{trtLev='A', predOut='pred_A'}, |
| 8 | {trtLev='B', predOut='pred_B'}}, |
| 9 | difference={{evtLev='A', refLev='B'}}; |
| 10 | RUN; |
Diese Methode schätzt die POMs nur unter Verwendung der vorhergesagten Behandlungswahrscheinlichkeiten (Propensity Scores). Sie erfordert kein Ergebnismodell.
| 1 | PROC CAS; |
| 2 | causalanalysis.caEffect |
| 3 | TABLE={name='analysisData'}, |
| 4 | method='IPW', |
| 5 | treatVar={name='treat'}, |
| 6 | outcomeVar={name='outcome', type='CONTINUOUS'}, |
| 7 | pom={{trtLev='A', trtProb='prob_A'}, |
| 8 | {trtLev='B', trtProb='prob_B'}}, |
| 9 | difference={{evtLev='A', refLev='B'}}; |
| 10 | RUN; |
Die AIPW-Methode ist doppelt robust, d.h. sie liefert eine konsistente Schätzung des kausalen Effekts, wenn entweder das Propensity-Score-Modell oder das Ergebnismodell korrekt spezifiziert ist. Dieses Beispiel fordert auch Inferenzstatistiken an.
| 1 | PROC CAS; |
| 2 | causalanalysis.caEffect |
| 3 | TABLE={name='analysisData'}, |
| 4 | method='AIPW', |
| 5 | treatVar={name='treat'}, |
| 6 | outcomeVar={name='outcome', type='CONTINUOUS'}, |
| 7 | pom={{trtLev='A', trtProb='prob_A', predOut='pred_A'}, |
| 8 | {trtLev='B', trtProb='prob_B', predOut='pred_B'}}, |
| 9 | difference={{evtLev='A', refLev='B'}}, |
| 10 | inference=true, |
| 11 | alpha=0.05, |
| 12 | pomCov=true; |
| 13 | RUN; |
TMLE ist eine weitere doppelt robuste Methode, die oft effizienter als AIPW ist. Sie aktualisiert iterativ eine anfängliche Schätzung des Ergebnismodells, um die Schätzung des kausalen Effekts zu optimieren.
| 1 | PROC CAS; |
| 2 | causalanalysis.caEffect |
| 3 | TABLE={name='analysisData'}, |
| 4 | method='TMLE', |
| 5 | treatVar={name='treat'}, |
| 6 | outcomeVar={name='outcome', type='CONTINUOUS'}, |
| 7 | pom={{trtLev='A', trtProb='prob_A', predOut='pred_A'}, |
| 8 | {trtLev='B', trtProb='prob_B', predOut='pred_B'}}, |
| 9 | difference={{evtLev='A', refLev='B'}}, |
| 10 | inference=true; |
| 11 | RUN; |
Ein Einzelhandelsunternehmen möchte die kausale Wirkung von zwei verschiedenen Rabattgutscheinen (Typ A vs. Typ B) auf die Kundenausgaben bewerten. Da die Verteilung der Gutsche...
Ein Pharmaunternehmen führt eine groß angelegte Beobachtungsstudie durch, um die Wirksamkeit eines neuen Medikaments im Vergleich zu einem Placebo zu testen. Der Datensatz ist s...
Die Personalabteilung untersucht den Einfluss eines optionalen Trainingsprogramms auf das Gehalt. Ein Problem ist, dass fast alle Mitarbeiter das Training absolviert haben, was ...