首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

PSM:从r中的MachIT包中提取组

PSM是Propensity Score Matching(倾向得分匹配)的缩写,是一种常用的统计方法,用于处理观察研究中的选择偏倚(selection bias)问题。它通过估计个体的倾向得分,即个体被暴露于某个处理(treatment)的概率,来实现处理组和对照组之间的匹配。

倾向得分匹配的步骤如下:

  1. 确定研究的目标和研究问题,明确处理组和对照组。
  2. 选择合适的变量作为倾向得分的预测因子,这些变量应该能够影响个体的处理暴露,但不直接影响研究结果。
  3. 使用合适的统计方法(如逻辑回归、梯度提升树等)估计个体的倾向得分。
  4. 根据倾向得分进行匹配,常见的匹配方法有最近邻匹配、卡尺匹配等。
  5. 检验匹配后的样本是否平衡,即处理组和对照组在倾向得分预测因子上是否没有显著差异。
  6. 使用匹配后的样本进行分析,比较处理组和对照组在研究结果上的差异。

倾向得分匹配的优势包括:

  1. 可以减少选择偏倚的影响,提高研究的内部有效性。
  2. 可以在观察研究中模拟随机对照试验的效果,提高研究的可靠性。
  3. 可以提供更准确的因果推断,帮助研究者理解处理对研究结果的影响。

倾向得分匹配在许多领域都有广泛的应用场景,例如医学研究、教育评估、社会政策评估等。在医学研究中,倾向得分匹配可以用于比较不同治疗方法的效果;在教育评估中,可以用于评估某个教育政策对学生学业成绩的影响。

腾讯云提供了一系列与云计算相关的产品,其中包括但不限于:

  1. 云服务器(Elastic Compute Cloud,ECS):提供可扩展的计算能力,支持多种操作系统和应用场景。产品介绍链接:https://cloud.tencent.com/product/cvm
  2. 云数据库(TencentDB):提供高可用、可扩展的数据库服务,包括关系型数据库(MySQL、SQL Server等)和NoSQL数据库(MongoDB、Redis等)。产品介绍链接:https://cloud.tencent.com/product/cdb
  3. 人工智能服务(AI Lab):提供图像识别、语音识别、自然语言处理等人工智能相关的服务和工具。产品介绍链接:https://cloud.tencent.com/product/ai
  4. 云存储(Cloud Object Storage,COS):提供安全可靠的对象存储服务,适用于大规模数据存储和备份。产品介绍链接:https://cloud.tencent.com/product/cos
  5. 区块链服务(Tencent Blockchain):提供基于区块链技术的安全、高效的数据存储和交易服务。产品介绍链接:https://cloud.tencent.com/product/tbc

以上是腾讯云在云计算领域的一些产品,可以根据具体需求选择适合的产品进行使用。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

R语言之列线图的绘制应用

线图(AlignmentDiagram),又称诺莫图(Nomogram图),它是建立在多因素回归分析的基础上,将多个预测指标进行整合,然后采用带有刻度的线段,按照一定的比例绘制在同一平面上,从而用以表达预测模型中各个变量之间的相互关系。其优势在于可以直接利用图形推算出某变量的取值,如患者的指标得分或生存概率等。它在医学领域中的应用由来已久,常见的有百分位列线图和概率列线图等。百分位列线图是确定个体某指标的测量值在总体中的百分位数;概率列线图是确定某个体特定事件的发生概率,该特定事件可以是疾病的发生、复发以及预后(如死亡)等,往往由多因素二分类回归或COX比例风险模型求得。列线图是回归方程结果的可视化,常用于逻辑回归或COX回归的结果展示,依据回归的结果,按照特定的比例画出多个线段,通过做图能够便捷地推算出某个体的发病风险或生存概率。

04

额叶-小脑连接介导认知加工速度

加工速度是理解认知的重要概念。本研究旨在控制任务特异性,以了解认知加工速度背后的神经机制。对40名被试执行两种方式(听觉和视觉)和两种水平的任务规则(相容和不相容)的注意任务。block设计的功能磁共振成像在任务过程中捕捉到了BOLD信号。参考公开的用于处理速度的任务激活图,定义了13个感兴趣区域。认知速度是从任务反应时间得出的,这产生了六组连接性测量。混合效应LASSO回归显示,有六条重要路径提示了小脑-额叶网络预测认知速度。其中,3例为长程(2例额叶-小脑,1例小脑-额叶),3例短程(额叶-额叶、小脑-小脑和小脑-丘脑)。长距离的连接可能与认知控制有关,而短距离的连接可能与基于规则的刺激-反应过程有关。揭示的神经网络表明,按照任务规则执行操作,自动性与自上而下努力控制注意力相互作用,解释了认知速度。 1 简述 本研究旨在通过使用一系列简单的视觉和听觉通道的刺激-反应(S-R)映射任务来解决可能的任务相关偏差。这个多任务设计目的是解决上面提到的特定于形态和功能偏向的。箭头任务最初是一种视觉S-R兼容性任务,为了更好地控制所需的感觉运动处理时间,回答涉及到关于所看到或听到的内容的简单反应,箭头任务后来被改编成视觉和听觉形式(图1)。为了减少任务转换效应和交叉试验的不确定性,我们采用了分组设计,而不是与事件相关的设计。此外,我们的目标是解决以前的研究中的方法论缺陷,这些研究利用皮尔逊的相关性和心理生理学相互作用(PPI)来建立基于连接性的模型来预测加工速度。在这项研究中,我们建立了六个连通性指标,包括四个基于多变量的指数,用于进行模型比较。通过将控制任务的反应时与控制感觉运动成分的实验任务的反应时进行回归,构造了一个认知速度变量。功能关联性模型的建立基于混合效应套索回归。据我们所知,本文在该领域首次采用跨通道多任务设计,并比较了6种方法对区域间交互作用辅助处理速度的建模结果。 2 方法 2.1 被试 从当地社区招募了40名年龄在18-28岁的健康年轻人参与研究。他们都有高中或以上学历。最终样本包括35名参与者(21.5±2.1岁,14名女性),其中5名参与者被排除在分析之外。 2.2 处理速度任务 箭头任务被用来测量加工速度。它包括一个双选择S-R映射任务,具有相容(COM)、不相容(INC)和简单RT控制条件(NEU)(图1)。在COM中,参与者在出现向上箭头时按下“向上”按钮,在出现向下箭头时按下“向下”按钮(图1)。在INC中,参与者按下“向上”键表示向下箭头,按“向下”键表示向上箭头。实验涉及参与者在观看一条没有箭头的垂直线时按下任何按钮。因为在这些条件下出现的刺激是视觉图像,所以它们被称为COMVIS、INC-VIS和NEU-VIS。相同条件的听觉版本是COM-AUD、INC-AUD和NEU-AUD,向上箭头、向下箭头和垂直线分别被高音、低音和中音代替。

01
领券