Wat is de propensity score en het gebruik ervan (matching, IPW)?

De propensity score is de waarschijnlijkheid dat een object (bijvoorbeeld een patiënt of gebruiker) een bepaalde behandeling of interventie krijgt, rekening houdend met de observeerbare covariaten (kenmerken). In causale inferentie wordt de propensity score gebruikt om de vergelijkingsgroepen in balans te brengen, om bias door confounding te verminderen.

Belangrijkste toepassingen:

• Matching (afstemming): objecten uit de behandelingsgroep worden afgestemd op objecten uit de controlegroep met een vergelijkbare propensity score. Dit helpt om gebalanceerde groepen te creëren voor het beoordelen van het effect van de behandeling.

• IPW (Inverse Probability Weighting): elk object krijgt een gewicht dat de inverse is van de kans dat het de behandeling krijgt die het heeft ontvangen. Dit maakt het mogelijk om bias te corrigeren bij het schatten van het gemiddelde behandelingseffect in de populatie.

Voorbeeld: als een patiënt een propensity score van 0.7 heeft (kans op behandeling), en hij krijgt de behandeling, dan is zijn gewicht 1/0.7 ≈ 1.43; als hij het niet krijgt, is het 1/0.3 ≈ 3.33.

Op deze manier helpt de propensity score om randomisatie na te bootsen in observationele data, waardoor de kwaliteit van causale inferenties verbetert.