临床预测模型第4章

标题

PSM: 平衡和矫正混杂因素

image.png

慎重选择：可能会造成选择性偏倚。因为匹配后，贫血组和非贫血组都删掉部分人。那些删掉的人可能就是有心血管事件的人。

比较靠谱的方法是：想在原始数据上做个cox回归，这是托底的方法。然后做psm方法，比较二者的差别。
尽可能保证所有的实验组都被匹配上。

收入re78是否同接受职业培训有关

有两种方法可以实现PSM

一个MatchIt包对照组和实验组数量是1:1的。nonrandom包可以实现1:2,1:3甚至是1:4.

注意：能做PSM的一定要做COX回归。在回归的基础上做PSM。
下面是案例1的数据

案例1

第1种R包

## 1) MatchIt包
library(MatchIt)#基于logistic回归建模的
data(lalonde)#自带数据
#View(lalonde)
head(lalonde)
#因变量~协变量1+协变量2
f=matchit(treat~re74+re75+educ+black+hispan+age+married+nodegree,data=lalonde,
          method="nearest")#邻近匹配，其不同于卡前值方式，很多指标不均衡。
#设定卡前值caliper=0.05就是你能接受的最大误差，该方法更严苛
#f1=matchit(treat~re74+re75+educ+black+hispan+age+married+nodegree,data=lalonde,method="nearest",caliper=0.05)
summary(f)#match的数据结果
matchdata=match.data(f)#提取match的数据
matchdata

library(foreign)
matchdata$id<-1:nrow(matchdata)#这就是PSM方法挑出来的数据集，实验组和对照组的数据实现均衡，可以通过卡方检验
write.dta(matchdata,"matchdata.dta")
write.csv(matchdata,"matchdata.csv")

第2种R包

案例2

## pscore {nonrandom}
install.packages("nonrandom")
#下载链接https://cran.r-project.org/src/contrib/Archive/nonrandom/
library(nonrandom)
## STU1
data(stu1)#自带数据集
#View(stu1)
stu1.ps <- pscore(data = stu1, 
                  formula = therapie~tgr+age)#therapie分组变量，其余是因素
stu1.match <- ps.match(object = stu1.ps,
                       ratio  = 2,#1:2匹配，最多为1:1
                       caliper = 0.05,#
                       givenTmatchingC = FALSE,
                       matched.by = "pscore",
                       setseed = 38902,#每次设定一样
                       combine.output=TRUE)
matchdata<- stu1.match$data.matched
matchdata#匹配完的数据

library(foreign)
matchdata$id<-1:nrow(matchdata)
write.dta(matchdata,"stu1matchdata.dta")#保存
write.csv(matchdata,"stu1matchdata.csv")

## STU1
data(stu1)
stu1.ps <- pscore(data = stu1, 
                  formula = therapie~tgr+age)
plot.pscore(x = stu1.ps,
            main = "PS distribution",
            xlab = "",
            par.1=list(col="red"),
            par.0=list(lwd=2),
            par.dens=list(kernel="gaussian"))

##pscore {nonrandom}
#这里同样只是挑出有关数据集，后续计算可以自己设计

临床预测模型 第4章

第1种R包

第2种R包

临床预测模型第4章