AbstractObjective: Propensity score

Abstract
Objective: Propensity scores for the analysis of observational data are typically estimated using logistic regression. Our objective in
this review was to assess machine learning alternatives to logistic regression, which may accomplish the same goals but with fewer assump-
tions or greater accuracy.
Study Design and Setting: We identified alternative methods for propensity score estimation and/or classification from the public
health, biostatistics, discrete mathematics, and computer science literature, and evaluated these algorithms for applicability to the problem
of propensity score estimation, potential advantages over logistic regression, and ease of use.
Results: We identified four techniques as alternatives to logistic regression: neural networks, support vector machines, decision trees
(classification and regression trees [CART]), and meta-classifiers (in particular, boosting).
Conclusion: Although the assumptions of logistic regression are well understood, those assumptions are frequently ignored. All four
alternatives have advantages and disadvantages compared with logistic regression. Boosting (meta-classifiers) and, to a lesser extent,
decision trees (particularly CART), appear to be most promising for use in the context of propensity score analysis, but extensive simulation
studies are needed to establish their utility in practice.  2010 Elsevier Inc. All rights reserved.

ผลลัพธ์ (ไทย) 1:

นามธรรม
วัตถุประสงค์: คะแนนสิ่งสำหรับการวิเคราะห์ข้อมูลเชิงสังเกตการณ์จะประเมินโดยใช้การถดถอยโลจิสติกโดยทั่วไป วัตถุประสงค์ของเราใน
ตรวจทานนี้คือการ ประเมินเครื่องจักรเรียนรู้แทน การถด ถอยโลจิสติก ซึ่งอาจบรรลุเป้าหมายเดียวกัน แต่ มีน้อย assump-
tions หรือความถูกต้องมากกว่ากัน
ศึกษาออกแบบและการตั้งค่า: เรา identified สิ่งอื่นวิธีคะแนนประเมินและ/หรือ classification จากสาธารณะ
สุขภาพ ชีวสถิติ คณิตศาสตร์ไม่ต่อเนื่อง และคอมพิวเตอร์วิทยาศาสตร์ วรรณคดี และอัลกอริทึมเหล่านี้สำหรับความเกี่ยวข้องของปัญหาประเมิน
ของสิ่งคะแนนประเมิน ศักยภาพประโยชน์ได้ถดถอยโลจิสติก และความสะดวกในการใช้งาน
ผลลัพธ์: เรา identified 4 เทคนิคเป็นตัวเลือกการถดถอยโลจิสติก: เครือข่ายประสาท สนับสนุนเครื่องแบบเวกเตอร์ ต้นไม้ตัดสินใจ
(classification และถดถอยต้นไม้ [ตะกร้า]), และเมตา-classifiers (เฉพาะ ส่งเสริม) .
สรุป: แม้ว่าสมมติฐานของการถดถอยโลจิสติกอย่างดี มีความเข้าใจสมมติฐานเหล่านั้นจะถูกละเลยบ่อย ๆ ทั้งหมด 4
ทางเลือกมีข้อดีและข้อเสียเปรียบเทียบกับการถดถอยโลจิสติก ส่งเสริม (meta-classifiers) และ ขอบ เขตที่น้อยกว่า,
ตัดสินใจต้นไม้ (โดยเฉพาะรถเข็น) ปรากฏว่าใช้ในบริบทของการวิเคราะห์คะแนนสิ่ง แต่การจำลองมากมาย
การศึกษาจำเป็นต้องสร้างโปรแกรมอรรถประโยชน์ของพวกเขาในทางปฏิบัติ อิงค์ Elsevier 2010 สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
วัตถุประสงค์: คะแนนนิสัยชอบการวิเคราะห์ข้อมูลเชิงประมาณมักจะใช้การถดถอยโลจิสติก วัตถุประสงค์ของเราใน
การตรวจสอบนี้คือการประเมินทางเลือกในการเรียนรู้ที่จะถดถอยโลจิสติซึ่งอาจบรรลุเป้าหมายเดียวกัน แต่มีน้อย assump-
tions หรือความถูกต้องมากขึ้น
การออกแบบการศึกษาและการตั้งค่าเรา identi ไฟวิธีการทางเลือกเอ็ดสำหรับการประเมินคะแนนความเอนเอียงและ / หรือไอออนบวกไฟจำแนกจาก ประชาชน
สุขภาพชีวสถิติคณิตศาสตร์โดยสิ้นเชิงและวรรณกรรมวิทยาศาสตร์คอมพิวเตอร์และประเมินผลขั้นตอนวิธีการเหล่านี้สำหรับการประยุกต์ใช้ในการแก้ปัญหา
ของการประมาณค่าคะแนนความชอบประโยชน์ที่อาจเกิดขึ้นในช่วงการถดถอยโลจิสติกและความสะดวกในการใช้
ผล: เรา identi ไฟเอ็ดสี่เทคนิคเป็นทางเลือกในการถดถอยโลจิสติ: เครือข่ายประสาทเครื่องสนับสนุนเวกเตอร์, ต้นไม้ตัดสินใจ
(cation ไฟจำแนกและต้นไม้ถดถอย [รถเข็น]) และ ERS ไฟเมตาจำแนก (โดยเฉพาะอย่างยิ่งการส่งเสริม)
สรุป: แม้ว่าสมมติฐานของการถดถอยโลจิสติกมีความเข้าใจดีสมมติฐานเหล่านั้นจะถูกละเลยบ่อย ทั้งสี่
ทางเลือกมีข้อดีและข้อเสียเมื่อเทียบกับการถดถอยโลจิสติก การส่งเสริม (ERS ไฟเมตาจำแนก) และบอช,
ต้นไม้ตัดสินใจ (โดยเฉพาะรถเข็น) ดูเหมือนจะมีแนวโน้มมากที่สุดสำหรับการใช้งานในบริบทของการวิเคราะห์คะแนนนิสัยชอบ แต่การจำลองที่ครอบคลุม
การศึกษามีความจำเป็นที่จะสร้างยูทิลิตี้ของพวกเขาในทางปฏิบัติ ? 2010 เอลส์อิงค์สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 3:

วัตถุประสงค์นามธรรม
: ความโน้มเอียงคะแนนสำหรับการวิเคราะห์ข้อมูลที่ได้จากการสังเกตโดยวิธีถดถอยโลจิสติก . วัตถุประสงค์ของเราใน
รีวิวนี้เพื่อประเมินการเรียนรู้เครื่องทางเลือกในการถดถอยโลจิสติก ซึ่งอาจ บรรลุ เป้าหมายเดียวกัน แต่น้อยกว่า assump -
ยินดีด้วยหรือมากกว่าความถูกต้อง .
ออกแบบการศึกษาและการจัดเรา identi จึงเอ็ดทางเลือกวิธีการความโน้มเอียงคะแนนการประเมินและ / หรือ classi จึงประจุบวกจากสาธารณะ
สุขภาพ ชีวสถิติ คณิตศาสตร์ไม่ต่อเนื่อง และวรรณกรรม วิทยาศาสตร์คอมพิวเตอร์ และใช้อัลกอริทึมเหล่านี้เกี่ยวข้องกับปัญหา
ประมาณคะแนนความโน้มเอียง ข้อดีที่มีศักยภาพมากกว่าถดถอยโลจิสติก , และใช้งานง่าย .
ผลลัพธ์ :เรา identi จึงเอ็ดสี่เทคนิคทางเลือกในการถดถอยโลจิสติก : โครงข่ายประสาทเทียม เครื่องเวกเตอร์สนับสนุนการตัดสินใจต้นไม้
( classi จึงไอออนบวกและถดถอยต้นไม้ [ รถเข็น ] ) และ meta classi จึง ERS ( โดยเฉพาะการส่งเสริม ) .
สรุป : ถึงแม้ว่าสมมติฐานของ Logistic Regression ดีเข้าใจสมมติฐานเหล่านั้นมักละเลย . ทั้งหมดสี่
ทางเลือกมีข้อดีและข้อเสียเมื่อเทียบกับ logistic regression ส่งเสริม ( Meta classi จึง ERS ) และในระดับน้อยกว่า
ต้นไม้การตัดสินใจ ( โดยเฉพาะรถเข็น ) ปรากฏว่ามีศักยภาพมากที่สุดสำหรับการใช้ในบริบทของการวิเคราะห์คะแนนความโน้มเอียง แต่ผลการศึกษา
อย่างละเอียดเป็นสร้างสาธารณูปโภคของพวกเขาในการปฏิบัติ  2010 Elsevier Inc สงวนสิทธิ์ทั้งหมด